論文の概要: AirRL: A Reinforcement Learning Approach to Urban Air Quality Inference

• arxiv url: http://arxiv.org/abs/2003.12205v1
• Date: Fri, 27 Mar 2020 02:04:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 04:18:21.714166
• Title: AirRL: A Reinforcement Learning Approach to Urban Air Quality Inference
• Title（参考訳）: AirRL:都市大気質推論のための強化学習アプローチ
• Authors: Huiqiang Zhong and Cunxiang Yin and Xiaohui Wu and Jinchang Luo and JiaWei He
• Abstract要約: 都市大気汚染は公衆衛生を脅かす主要な環境問題となっている。 課題の1つは、空気質推論のためのいくつかの関連するステーションを効果的に選択する方法である。 都市大気質推定のための強化学習に基づく新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 7.238981927352622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban air pollution has become a major environmental problem that threatens public health. It has become increasingly important to infer fine-grained urban air quality based on existing monitoring stations. One of the challenges is how to effectively select some relevant stations for air quality inference. In this paper, we propose a novel model based on reinforcement learning for urban air quality inference. The model consists of two modules: a station selector and an air quality regressor. The station selector dynamically selects the most relevant monitoring stations when inferring air quality. The air quality regressor takes in the selected stations and makes air quality inference with deep neural network. We conduct experiments on a real-world air quality dataset and our approach achieves the highest performance compared with several popular solutions, and the experiments show significant effectiveness of proposed model in tackling problems of air quality inference.
• Abstract（参考訳）: 都市大気汚染は公衆衛生を脅かす主要な環境問題となっている。 既存のモニタリングステーションに基づいて細粒度都市空気質を推定することがますます重要になっている。 課題の1つは、空気質推定のための関連ステーションを効果的に選択する方法である。 本稿では,都市空気質推定のための強化学習に基づく新しいモデルを提案する。 このモデルはステーションセレクタと空気質レグレッサーという2つのモジュールで構成されている。 ステーションセレクタは、空気質を推定する際に最も関連性の高い監視局を動的に選択する。 空気質回帰器は、選択した局を取り込み、深層ニューラルネットワークによる空気質推定を行う。 提案手法は,実世界の空気質データセット上で実験を行い,いくつかの一般的なソリューションと比較して高い性能を達成し,提案モデルが空気品質推定の課題に取り組む際に有効であることを示した。

関連論文リスト

• Enhancing Data Quality in Federated Fine-Tuning of Foundation Models [54.757324343062734]
  本稿では,基礎モデルのファインチューニングのためのデータ品質制御パイプラインを提案する。 このパイプラインは、トレーニングデータの質を反映したスコアを計算し、統一された標準のグローバルしきい値を決定する。 実験の結果,提案した品質制御パイプラインはモデルトレーニングの有効性と信頼性を向上し,性能が向上することが示された。
  論文  参考訳（メタデータ） (2024-03-07T14:28:04Z)
• GreenEyes: An Air Quality Evaluating Model based on WaveNet [11.513011576336744]
  本稿では,シーケンスの表現を学習するためのWaveNetベースのバックボーンブロックと,テンポラルアテンションモジュールを用いたLSTMで構成されるディープニューラルネットワークモデルを提案する。 我々は,データセットから得られた空気質データの任意の部分について,次のタイムスタンプの空気質レベルを効果的に予測できることを示す。
  論文  参考訳（メタデータ） (2022-12-08T10:28:57Z)
• AirFormer: Predicting Nationwide Air Quality in China with Transformers [43.48965814702661]
  AirFormerは中国全国の空気質を総合的に予測する新しいトランスフォーマーアーキテクチャである。 AirFormerは72時間の予測で予測エラーを5%削減する。
  論文  参考訳（メタデータ） (2022-11-29T07:22:49Z)
• Deep Gaussian Processes for Air Quality Inference [3.2687545875380186]
  大気汚染は年間約700万人が死亡し、約40億人が有害な大気汚染にさらされている。 この研究は、ディープガウスモデル(DGP)が推論のタスクの有望なモデルであることを証明している。
  論文  参考訳（メタデータ） (2022-11-18T11:42:42Z)
• Dynamic Price of Parking Service based on Deep Learning [68.8204255655161]
  都市部における空気質の向上は、公共団体の主な関心事の一つである。 この懸念は、大気の質と公衆衛生の間の証拠から生じる。 規制された駐車場サービスにおける動的価格の提案について述べる。
  論文  参考訳（メタデータ） (2022-01-11T20:31:35Z)
• AirSPEC: An IoT-empowered Air Quality Monitoring System integrated with a Machine Learning Framework to Detect and Predict defined Air Quality parameters [0.0]
  機械学習モデルにより実装が容易で、セマンティックに配布され、権限を与える新しいモノのインターネットフレームワークが提案されている。 提案システムは,一次センサデータを処理,可視化,保存するNodeREDダッシュボードを備えている。 ダッシュボードは、時間的および地理空間的な空気質予測を得るために、機械学習モデルと統合されている。
  論文  参考訳（メタデータ） (2021-11-28T12:13:30Z)
• AIREX: Neural Network-based Approach for Air Quality Inference in Unmonitored Cities [0.491574468325115]
  監視局は、継続的に空気の質に関する情報を取得するために設置されているが、すべての地域をカバーするわけではない。 既存の方法は、監視対象都市のみの空気質を推定することを目的としており、監視対象都市では空気質を推定しない。 本研究では,未モニタリング都市における大気質を正確に推定するためのニューラルネットワークベースのアプローチAIREXを提案する。
  論文  参考訳（メタデータ） (2021-08-16T14:41:14Z)
• HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method [8.86417830514213]
  HighAirは階層型グラフニューラルネットワークに基づく空気質予測手法である。 都市レベルのグラフと駅レベルのグラフを階層的な観点から構築する。 ヤンツェ川デルタ都市群のデータセット上で、HighAirと最新の空気品質予測方法を比較します。
  論文  参考訳（メタデータ） (2021-01-12T02:31:14Z)
• Joint Air Quality and Weather Prediction Based on Multi-Adversarial Spatiotemporal Networks [44.34236994440102]
  本稿では,複数対数連続グラフニューラルネットワーク(MasterGNN)を共同空気質と天気予報のために提案する。 具体的には,大気質と気象モニタリングステーション間の不均一な自己時間相関をモデル化するグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-30T04:42:03Z)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)

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。