ترجمه فارسی مقاله تولید علیت دقیق در داده‌های سری زمانی آب و هوا برای پیش‌بینی و تشخیص ناهنجاری

چکیده

Understanding the causal interaction of time series variables can contribute to time series data analysis for many real-world applications, such as climate forecasting and extreme weather alerts. However, causal relationships are difficult to be fully observed in real-world complex settings, such as spatial-temporal data from deployed sensor networks. Therefore, to capture fine-grained causal relations among spatial-temporal variables for further a more accurate and reliable time series analysis, we first design a conceptual fine-grained causal model named TBN Granger Causality, which adds time-respecting Bayesian Networks to the previous time-lagged Neural Granger Causality to offset the instantaneous effects. Second, we propose an end-to-end deep generative model called TacSas, which discovers TBN Granger Causality in a generative manner to help forecast time series data and detect possible anomalies during the forecast. For evaluations, besides the causality discovery benchmark Lorenz-96, we also test TacSas on climate benchmark ERA5 for climate forecasting and the extreme weather benchmark of NOAA for extreme weather alerts.

چکیده به فارسی (ترجمه ماشینی)

درک تعامل علّی متغیرهای سری زمانی می تواند در تجزیه و تحلیل داده های سری زمانی برای بسیاری از برنامه های کاربردی در دنیای واقعی ، مانند پیش بینی آب و هوا و هشدارهای شدید آب و هوا نقش داشته باشد.با این حال ، روابط علّی به طور کامل در تنظیمات پیچیده در دنیای واقعی ، مانند داده های مکانی و زمانی از شبکه های سنسور مستقر ، دشوار است.بنابراین ، برای گرفتن روابط علی ریز دانه بین متغیرهای مکانی و زمانی برای تجزیه و تحلیل سری زمانی دقیق تر و قابل اعتماد تر ، ابتدا یک مدل علیت ریز دانه ای مفهومی به نام علیت TBN Granger را طراحی می کنیم ، که باعث می شود شبکه های بیزی با احترام به زمان به گذشته اضافه شودعلیت Granger عصبی دارای زمان برای جبران اثرات آنی.دوم ، ما یک مدل تولیدی عمیق به پایان به نام TACSAS پیشنهاد می کنیم ، که علیت TBN Granger را به روشی مولد کشف می کند تا به پیش بینی داده های سری زمانی کمک کند و ناهنجاری های احتمالی را در طول پیش بینی تشخیص دهد.برای ارزیابی ، علاوه بر این معیار Discovery Discovery Lorenz-96 ، ما همچنین TACSA را در معیار آب و هوا ERA5 برای پیش بینی آب و هوا و معیار آب و هوا شدید NOAA برای هشدارهای شدید هوا آزمایش می کنیم.