Fugu-MT 論文翻訳(概要): Analytical Equations based Prediction Approach for PM2.5 using Artificial Neural Network

論文の概要: Analytical Equations based Prediction Approach for PM2.5 using Artificial Neural Network

arxiv url: http://arxiv.org/abs/2002.11416v1
Date: Wed, 26 Feb 2020 11:39:18 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 14:44:00.809976
Title: Analytical Equations based Prediction Approach for PM2.5 using Artificial Neural Network
Title（参考訳）: ニューラルネットワークを用いたpm2.5解析式に基づく予測手法
Authors: Jalpa Shah and Biswajit Mishra
Abstract要約: 粒子状物質(PM2.5)は大気質指数(AQI)を測定する重要な粒子状汚染物質の一つである。 PM2.5をモニターするために空気質監視局が使用する従来の機器は、コストが高く、かさばる、時間を消費し、電力を消費する。本稿では,ニューラルネットワーク(ANN)を用いたPM2.5の解析式に基づく予測手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Particulate matter pollution is one of the deadliest types of air pollution worldwide due to its significant impacts on the global environment and human health. Particulate Matter (PM2.5) is one of the important particulate pollutants to measure the Air Quality Index (AQI). The conventional instruments used by the air quality monitoring stations to monitor PM2.5 are costly, bulkier, time-consuming, and power-hungry. Furthermore, due to limited data availability and non-scalability, these stations cannot provide high spatial and temporal resolution in real-time. To overcome the disadvantages of existing methodology this article presents analytical equations based prediction approach for PM2.5 using an Artificial Neural Network (ANN). Since the derived analytical equations for the prediction can be computed using a Wireless Sensor Node (WSN) or low-cost processing tool, it demonstrates the usefulness of the proposed approach. Moreover, the study related to correlation among the PM2.5 and other pollutants is performed to select the appropriate predictors. The large authenticate data set of Central Pollution Control Board (CPCB) online station, India is used for the proposed approach. The RMSE and coefficient of determination (R2) obtained for the proposed prediction approach using eight predictors are 1.7973 ug/m3 and 0.9986 respectively. While the proposed approach results show RMSE of 7.5372 ug/m3 and R2 of 0.9708 using three predictors. Therefore, the results demonstrate that the proposed approach is one of the promising approaches for monitoring PM2.5 without power-hungry gas sensors and bulkier analyzers.
Abstract（参考訳）: 粒子状物質汚染は、地球環境と人間の健康に大きな影響を与えるため、世界中で最も致命的な大気汚染の1つである。粒子状物質 (PM2.5) は大気質指数 (AQI) を測定する重要な粒子状汚染物質の一つである。 pm2.5を監視するために空気質監視局が使用する従来の機器はコストが高く、かさばり、時間消費、電力消費である。さらに、データ可用性の制限とスケーラビリティのため、これらのステーションはリアルタイムに高い空間分解能と時間分解能を提供することができない。本論文は,既存の手法の欠点を克服するために,ニューラルネットワーク(ann)を用いたpm2.5解析式に基づく予測手法を提案する。無線センサノード(wsn)または低コスト処理ツールを用いて予測のための導出解析式を計算できるので,提案手法の有用性を示す。さらに,PM2.5および他の汚染物質間の相関に関する研究を行い,適切な予測因子を選択する。インド中央公害管理委員会(cpcb)オンラインステーションの大規模認証データセットが提案手法として使用されている。 8つの予測器を用いた予測手法で得られたRMSEと決定係数(R2)はそれぞれ1.7973 ug/m3と0.9986である。提案手法により, RMSE は 7.5372 ug/m3 であり, R2 は 0.9708 である。そこで, 提案手法は, 給電ガスセンサやバルク分析器を使わずにPM2.5をモニタリングするための有望な手法の1つであることを示した。

関連論文リスト

Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。 5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
論文参考訳（メタデータ） (2024-09-29T08:18:50Z)
Enhancing PM2.5 Data Imputation and Prediction in Air Quality Monitoring Networks Using a KNN-SINDy Hybrid Model [0.0]
大気汚染、特に微粒子物質(PM2.5)は公衆衛生や環境に重大なリスクをもたらす。本研究では、2016年からのトレーニングデータを用いて、PM2.5データの欠落を予測し、その性能を確立されたSoft Impute(SI)およびK-Nearest Neighbors(KNN)手法と比較することにより、SINDy2.5(Sparse Identification of Dynamics)の適用について検討する。
論文参考訳（メタデータ） (2024-09-18T02:08:17Z)
Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
論文参考訳（メタデータ） (2024-08-27T15:03:20Z)
Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文参考訳（メタデータ） (2024-04-08T09:13:16Z)
A Framework for Scalable Ambient Air Pollution Concentration Estimation [0.0]
英国では大気汚染が重要な問題であり、大気汚染濃度のデータが大気質の改善を目的とした介入の基礎となっている。欠落した測度を埋めることにより,時間的・空間的データギャップに対処するデータ駆動型機械学習モデルフレームワークを提案する。このアプローチは、2018年を通してイングランドの包括的なデータセットを1kmx1kmの時間分解能で提供する。
論文参考訳（メタデータ） (2024-01-16T18:03:07Z)
Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
論文参考訳（メタデータ） (2023-11-17T15:30:12Z)
Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
Detecting Elevated Air Pollution Levels by Monitoring Web Search Queries: Deep Learning-Based Time Series Forecasting [7.978612711536259]
以前の研究は、地上モニターや気象データから収集した汚染物質濃度を長期予測のモデルに頼っていた。本研究では,主要な検索エンジンからほぼリアルタイムで公開されているWeb検索データを用いて,観測された汚染レベルを推定するモデルを開発し,検証することを目的とする。従来型の教師付き分類法と最先端の深層学習法を併用して,米国の都市レベルで大気汚染レベルの上昇を検出する機械学習モデルを開発した。
論文参考訳（メタデータ） (2022-11-09T23:56:35Z)
Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
論文参考訳（メタデータ） (2021-04-08T08:50:44Z)
A Novel Prediction Approach for Exploring PM2.5 Spatiotemporal Propagation Based on Convolutional Recursive Neural Networks [7.131106953836335]
PM2.5の伝播予測システムは、地域社会への健康影響を減らす早期警戒システムとして、より詳細で正確な情報を提供する。本研究は,台湾の大気質モニタリングシステムのデータセットを用いて行った。一般に、測定ノード間の結合を空間的にも時間的にも考慮し、正確な予測結果を提供することができる。
論文参考訳（メタデータ） (2021-01-15T17:00:04Z)
A Novel Hybrid Framework for Hourly PM2.5 Concentration Forecasting Using CEEMDAN and Deep Temporal Convolutional Neural Network [2.2175470459999636]
本研究では,適応雑音を伴う完全アンサンブル経験モード分解に基づくハイブリッド予測モデルを開発した。提案したceemdan-deeptcnモデルの予測精度は,時系列モデル,ニューラルネットワーク,一般的なディープラーニングモデルと比較して高い値であることが確認された。新しいモデルではPM2.5関連因子データパターンをモデル化し,PM2.5濃度を予測するための有望なツールとして利用できる。
論文参考訳（メタデータ） (2020-12-07T15:22:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。