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
- AirPhyNet: Harnessing Physics-Guided Neural Networks for Air Quality
Prediction [40.58819011476455]
本稿では,空気質予測のための物理誘導ニューラルネットワーク(AirPhyNet)という新しいアプローチを提案する。
我々は、空気粒子移動(拡散と対流)の2つの確立された物理原理を微分方程式ネットワークとして表現することで活用する。
2つの実世界のベンチマークデータセットの実験では、AirPhyNetがさまざまなテストシナリオの最先端モデルを上回っていることが示されている。
論文 参考訳(メタデータ) (2024-02-06T07:55:54Z) - 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) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳(メタデータ) (2023-06-15T17:03:14Z) - 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) - Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。
これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。
本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
論文 参考訳(メタデータ) (2022-07-29T22:35:05Z) - 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) - HVAQ: A High-Resolution Vision-Based Air Quality Dataset [3.9523800511973017]
PM2.5, PM10, 温度, 湿度データからなる高時間・空間分解能空気質データセットを提案する。
我々は,センサの密度と画像によって予測精度が向上することを示すために,いくつかの視覚に基づくPM濃度予測アルゴリズムをデータセット上で評価した。
論文 参考訳(メタデータ) (2021-02-18T13:42:34Z) - 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。