[論文レビュー] Video Prediction for Precipitation Nowcasting.

Yuan Cao, Qiuying Li+3 more|arXiv (Cornell University)|Jul 18, 2019

Precipitation Measurement and Analysis参考文献 13被引用数 2

ひとこと要約

本稿では、異なる降水量強度および継続時間ごとに別々のサブネットワークを用い、クロスレイヤー間の情報伝達を強化するスター型の情報ブリッジと、マルチシグモイド損失関数を備えた、RNNベースの新しいスターブリッジネットワークStarBriNetを提案する。このモデルは、既存の最先端手法と比較して、レーダーエコーデータセットにおいて優れた予測精度を達成する。

ABSTRACT

Precipitation nowcasting, which aims to precisely predict the short-term rainfall intensity of a local region, is gaining increasing attention in the artificial intelligence community. Existing deep learning-based algorithms use a single network to process various rainfall intensities together, compromising the predictive accuracy. Therefore, this paper proposes a novel recurrent neural network (RNN) based star-bridge network (StarBriNet) for precipitation nowcasting. The novelty of this work lies in the following three aspects. First, the proposed network comprises multiple sub-networks to deal with different rainfall intensities and duration separately, which can significantly improve the model performance. Second, we propose a star-shaped information bridge to enhance the information flow across RNN layers. Third, we introduce a multi-sigmoid loss function to take the precipitation nowcasting criterion into account. Experimental results demonstrate superior performance for precipitation nowcasting over existing algorithms, including the state-of-the-art one, on a natural radar echo dataset.

研究の動機と目的

• 既存のディープラーニングモデルが、すべての降水量強度および継続時間に対して一様に処理を行うという限界を解消し、予測精度の低下を防ぐこと。
• 異なる降水量強度および継続時間に対応するモジュラーなネットワークアーキテクチャを設計することで、短時間の降水量予測性能を向上させること。
• 新規のスター型情報ブリッジ機構を用いて、RNNレイヤー間の情報フローを強化すること。
• 降水量予測の評価基準に適合させるために、マルチシグモイド損失関数を用いて損失関数を最適化すること。

提案手法

• 特定の降水量強度および継続時間範囲に特化した複数の専用サブネットワークを採用し、異なる降水量パターンに対する予測精度を向上させる。
• RNNレイヤー間を横断する双方向の情報交換を可能にするスター型の情報ブリッジを導入し、勾配の流れと特徴表現を向上させる。
• 予測値と実際の降水量強度の非線形的関係をよりよく反映するため、マルチシグモイド損失関数を採用し、実世界の予測評価基準に適合させる。
• 時間的連続性を持つレーダー反射率データを入力として用い、自然なレーダーエコーデータセット上でエンドツーエンドに訓練する。
• スターブリッジ機構は、隠れ状態を中央集権的なスター型トポロジーでレイヤー間接続し、効率的な情報集約と伝達を実現する。

実験結果

リサーチクエスチョン

• RQ1 降水量強度および継続時間ごとにサブネットワークを分離することで、降水量予測モデルの精度が向上するか？
• RQ2 スター型の情報ブリッジは、動画予測タスクにおける深層RNNにおける情報フローをどのように向上させるか？
• RQ3 マルチシグモイド損失関数は、標準的な損失関数と比較して、降水量予測におけるモデル性能をどの程度向上させるか？
• RQ4 実際のレーダーエコーデータにおいて、提案されたStarBriNetモデルは最先端手法と比較してどのように差をつけるか？

主な発見

• StarBriNetは、既存のディープラーニングベースの降水量予測モデルと比較して、レーダーエコーデータセットにおいて優れた予測精度を達成する。
• 強度および継続時間に特化したサブネットワークの使用により、多様な降水量パターンの学習の複雑さが低減され、モデル性能が顕著に向上する。
• スター型の情報ブリッジは勾配の流れと特徴表現を改善し、時間的系列にわたる一般化性能の向上に寄与する。
• マルチシグモイド損失関数は、降水量強度評価の非線形的性質に適切に適合するため、より正確な予測が可能になる。