論文の概要: Modeling Atmospheric Data and Identifying Dynamics: Temporal Data-Driven Modeling of Air Pollutants

• arxiv url: http://arxiv.org/abs/2010.06538v2
• Date: Tue, 6 Jul 2021 20:29:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 23:22:55.357273
• Title: Modeling Atmospheric Data and Identifying Dynamics: Temporal Data-Driven Modeling of Air Pollutants
• Title（参考訳）: 大気データモデリングと同定ダイナミクス--大気汚染物質の時間データ駆動モデリング
• Authors: Javier Rubio-Herrero, Carlos Ortiz Marrero, Wai-Tong Louis Fan
• Abstract要約: 本研究では,マドリードの大気質を研究するためにデータ駆動技術を用いた実証的アプローチを提案する。 汚染物質の濃度と経時変化をモデル化する常微分方程式の擬似系を見いだす。 以上の結果から, 赤池の情報基準は, 最適部分回帰と連動して, スパーシリティと適合の良さの均衡を見出すことが可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 2.578242050187029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Atmospheric modeling has recently experienced a surge with the advent of deep learning. Most of these models, however, predict concentrations of pollutants following a data-driven approach in which the physical laws that govern their behaviors and relationships remain hidden. With the aid of real-world air quality data collected hourly in different stations throughout Madrid, we present an empirical approach using data-driven techniques with the following goals: (1) Find parsimonious systems of ordinary differential equations via sparse identification of nonlinear dynamics (SINDy) that model the concentration of pollutants and their changes over time; (2) assess the performance and limitations of our models using stability analysis; (3) reconstruct the time series of chemical pollutants not measured in certain stations using delay coordinate embedding results. Our results show that Akaike's Information Criterion can work well in conjunction with best subset regression as to find an equilibrium between sparsity and goodness of fit. We also find that, due to the complexity of the chemical system under study, identifying the dynamics of this system over longer periods of time require higher levels of data filtering and smoothing. Stability analysis for the reconstructed ordinary differential equations (ODEs) reveals that more than half of the physically relevant critical points are saddle points, suggesting that the system is unstable even under the idealized assumption that all environmental conditions are constant over time.
• Abstract（参考訳）: 大気モデルは最近、深層学習の出現とともに急上昇を経験した。 しかし、これらのモデルのほとんどは、行動や関係を規定する物理法則を隠蔽するデータ駆動のアプローチに従って、汚染物質濃度を予測する。 With the aid of real-world air quality data collected hourly in different stations throughout Madrid, we present an empirical approach using data-driven techniques with the following goals: (1) Find parsimonious systems of ordinary differential equations via sparse identification of nonlinear dynamics (SINDy) that model the concentration of pollutants and their changes over time; (2) assess the performance and limitations of our models using stability analysis; (3) reconstruct the time series of chemical pollutants not measured in certain stations using delay coordinate embedding results. 以上の結果から, 赤池の情報基準は, 最適部分回帰と連動して有効に機能し, 空間と適合の良さの均衡を見出すことができた。 また,研究中の化学システムの複雑さから,長期間にわたるシステムのダイナミクスの同定には,高いレベルのデータのフィルタリングと平滑化が必要であることも判明した。 再構成された常微分方程式(ODE)の安定性解析は、物理的に関係する臨界点の半分以上がサドル点であり、全ての環境条件が時間とともに一定であるという理想化された仮定の下でもシステムは不安定であることを示している。

関連論文リスト

• Air Quality Prediction with Physics-Informed Dual Neural ODEs in Open Systems [26.70737906860735]
  大気汚染は人間の健康と生態系を著しく脅かし、公共政策を知らせるために効果的な大気質予測を必要とする。 伝統的なアプローチは一般に物理学に基づくモデルとデータ駆動モデルに分類される。 本稿では,ニューラルネットワークの2つの枝を統合した新しい物理インフォームドアプローチであるAirDualODEを提案する。
  論文  参考訳（メタデータ） (2024-10-25T13:56:13Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
  C$2$TSDという条件拡散フレームワークを導入する。 実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-18T11:59:04Z)
• Long-term instabilities of deep learning-based digital twins of the climate system: The cause and a solution [0.0]
  長期安定は、深層学習に基づくデータ駆動型デジタル双生児にとって重要な特性である。 深層学習に基づく時間積分器における乱流物理と収束の欠如が、このバイアスを増幅し、不安定なエラー伝播をもたらすことを示す。 気候システムのための長期安定なデータ駆動型デジタル双生児を開発し、正確な短期予測を示し、数百年間の長期安定な時間積分と正確な平均と変動性を示す。
  論文  参考訳（メタデータ） (2023-04-14T09:49:11Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Chaos as an interpretable benchmark for forecasting and data-driven modelling [7.6146285961466]
  カオスシステムは、現代の統計的学習技術に固有の課題を生んでいる。 本稿では,天体物理学,気候学,生化学などの分野にまたがるカオス力学系131のデータベースについて述べる。
  論文  参考訳（メタデータ） (2021-10-11T13:39:41Z)
• Integrating Domain Knowledge in Data-driven Earth Observation with Process Convolutions [13.13700072257046]
  両アプローチを組み合わせたハイブリッド学習方式は,これらの問題を効果的に解決できると論じる。 具体的には,時系列モデリングにおける遅延力モデル (LFM) と呼ばれるGP畳み込みモデルのクラスを提案する。 アクティブ(ASCAT)およびパッシブ(SMOS, AMSR2)マイクロ波衛星からの土壌水分の時系列を考察する。
  論文  参考訳（メタデータ） (2021-04-16T14:30:40Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。