Spatio-Temporal Wildfire Prediction using Multi-Modal Data
利用多模态数据进行时空野火预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确采用多模态时间序列和时间序列共形预测，应用对象是野火而非宏观经济变量。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用多模态数据进行时空野火预测
- 研究问题
- 如何结合历史火灾和多模态传感时间序列，实时预测某地发生野火的概率，并为火灾规模构造具有覆盖保证的预测集合？
- 方法与思路
- 作者以离散相互激励点过程预测发生风险，再用时间序列共形预测构造规模预测集合，并在加利福尼亚真实数据上评估。
- 材料陈述的贡献
- 摘要称，作者证明风险模型参数恢复以及预测集合覆盖率和大小的保证，真实数据实验展示了方法的有效性、灵活性和可扩展性。
- 阅读关注点
- 应核对点过程的空间交互设定、共形预测面对时间依赖的条件，以及覆盖保证是何种形式、如何随区域规模变化。
- 阅读边界
- 这是 arXiv 预印本，同行评审状态未经核实。摘要未列出覆盖保证的具体条件，分布无关表述不能解释为不需任何假设。
原文摘要
Due to severe societal and environmental impacts, wildfire prediction using multi-modal sensing data has become a highly sought-after data-analytical tool by various stakeholders (such as state governments and power utility companies) to achieve a more informed understanding of wildfire activities and plan preventive measures. A desirable algorithm should precisely predict fire risk and magnitude for a location in real time. In this paper, we develop a flexible spatio-temporal wildfire prediction framework using multi-modal time series data. We first predict the wildfire risk (the chance of a wildfire event) in real-time, considering the historical events using discrete mutually exciting point process models. Then we further develop a wildfire magnitude prediction set method based on the flexible distribution-free time-series conformal prediction (CP) approach. Theoretically, we prove a risk model parameter recovery guarantee, as well as coverage and set size guarantees for the CP sets. Through extensive real-data experiments with wildfire data in California, we demonstrate the effectiveness of our methods, as well as their flexibility and scalability in large regions.