Improving Significant Wave Height Prediction Using Chronos Models

要約

正確な波の高さの予測は、海上安全性と沿岸の回復力にとって重要ですが、従来の物理学ベースのモデルと従来の機械学習方法は、計算効率と非線形ダイナミクスモデリングの課題に直面しています。
この研究では、波の予測用に最適化された大規模な言語モデル（LLM）を搭載した時間的アーキテクチャ（Chronos）の最初の実装であるChronosを紹介します。
北西太平洋盆地の3つの戦略的に選択された海洋ゾーンからの歴史的波データに適用される高度な時間パターン認識を通じて、当社のフレームワークはマルチモーダルの改善を達成します。
（2）包括的なメトリック全体で優れた短期予測（1-24H）。
（3）拡張範囲予測における持続的な予測リーダーシップ（1-120H）。
（4）特殊な運用モデルに対してパフォーマンスの中央値（ランク4/12）を維持するゼロショット機能を実証しました。
このLLM強化時間モデリングパラダイムは、波の予測に新しい標準を確立し、計算効率の良いソリューションと複雑な地球物理システムモデリングのための転送可能なフレームワークの両方を提供します。

要約(オリジナル)

Accurate wave height prediction is critical for maritime safety and coastal resilience, yet conventional physics-based models and traditional machine learning methods face challenges in computational efficiency and nonlinear dynamics modeling. This study introduces Chronos, the first implementation of a large language model (LLM)-powered temporal architecture (Chronos) optimized for wave forecasting. Through advanced temporal pattern recognition applied to historical wave data from three strategically chosen marine zones in the Northwest Pacific basin, our framework achieves multimodal improvements: (1) 14.3% reduction in training time with 2.5x faster inference speed compared to PatchTST baselines, achieving 0.575 mean absolute scaled error (MASE) units; (2) superior short-term forecasting (1-24h) across comprehensive metrics; (3) sustained predictive leadership in extended-range forecasts (1-120h); and (4) demonstrated zero-shot capability maintaining median performance (rank 4/12) against specialized operational models. This LLM-enhanced temporal modeling paradigm establishes a new standard in wave prediction, offering both computationally efficient solutions and a transferable framework for complex geophysical systems modeling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google