从离散低维数据跨模态预测连续天气模式的多模态表征学习
机器学习
2024-01-31 v1 计算机视觉与模式识别
摘要
世界正在寻找不污染环境的清洁可再生能源，以减少导致全球变暖的温室气体排放。风能不仅具有减少温室气体排放的巨大潜力，还能满足日益增长的能源需求。为了有效利用风能，解决风数据分析中的以下三个挑战至关重要。首先，提高各种气候条件下的数据分辨率，以确保为评估潜在能源资源提供充足的信息。其次，对从传感器/模拟收集的数据实施降维技术，以高效管理和存储大型数据集。第三，将风数据从一个空间规格外推到另一个，特别是在数据获取可能不切实际或成本高昂的情况下。我们提出了一种基于深度学习的方法，以实现从不连续风数据中进行多模态连续分辨率风数据预测，同时进行数据降维。
引用
@article{arxiv.2401.16936,
title = {Multi-modal Representation Learning for Cross-modal Prediction of Continuous Weather Patterns from Discrete Low-Dimensional Data},
author = {Alif Bin Abdul Qayyum and Xihaier Luo and Nathan M. Urban and Xiaoning Qian and Byung-Jun Yoon},
journal= {arXiv preprint arXiv:2401.16936},
year = {2024}
}