Fugu-MT 論文翻訳(概要): A Novel Hybrid Framework for Hourly PM2.5 Concentration Forecasting Using CEEMDAN and Deep Temporal Convolutional Neural Network

論文の概要: A Novel Hybrid Framework for Hourly PM2.5 Concentration Forecasting Using CEEMDAN and Deep Temporal Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2012.03781v1
Date: Mon, 7 Dec 2020 15:22:01 GMT
ステータス: 処理完了
システム内更新日: 2021-05-16 21:40:22.814352
Title: A Novel Hybrid Framework for Hourly PM2.5 Concentration Forecasting Using CEEMDAN and Deep Temporal Convolutional Neural Network
Title（参考訳）: CEEMDANと深部時間畳み込みニューラルネットワークを用いたPM2.5濃度予測のための新しいハイブリッドフレームワーク
Authors: Fuxin Jiang, Chengyuan Zhang, Shaolong Sun, Jingyun Sun
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.2175470459999636
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: For hourly PM2.5 concentration prediction, accurately capturing the data patterns of external factors that affect PM2.5 concentration changes, and constructing a forecasting model is one of efficient means to improve forecasting accuracy. In this study, a novel hybrid forecasting model based on complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) and deep temporal convolutional neural network (DeepTCN) is developed to predict PM2.5 concentration, by modelling the data patterns of historical pollutant concentrations data, meteorological data, and discrete time variables' data. Taking PM2.5 concentration of Beijing as the sample, experimental results showed that the forecasting accuracy of the proposed CEEMDAN-DeepTCN model is verified to be the highest when compared with the time series model, artificial neural network, and the popular deep learning models. The new model has improved the capability to model the PM2.5-related factor data patterns, and can be used as a promising tool for forecasting PM2.5 concentrations.
Abstract（参考訳）: PM2.5濃度予測では,PM2.5濃度変化に影響を与える外部因子のデータパターンを正確に把握し,予測モデルの構築を効率よく行うことで予測精度を向上させる。本研究では, 過去の汚染物質濃度データ, 気象データ, 離散時間変数のデータパターンをモデル化することにより, PM2.5濃度を予測するために, 適応雑音を用いた完全アンサンブル経験モード分解(CEEMDAN)と深部時間畳み込みニューラルネットワーク(DeepTCN)を用いたハイブリッド予測モデルを開発した。北京のPM2.5濃度を試料として,提案したCEEMDAN-DeepTCNモデルの予測精度が,時系列モデル,人工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た場合,最高であることが実証された。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。

関連論文リスト

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)
Advancing operational PM2.5 forecasting with dual deep neural networks (D-DNet) [0.3848364262836075]
本稿では,リアルタイム観測を効率的に統合するD-DNet予測とデータ同化システムを提案する。 D-DNetはPM2.5とAOD550のグローバルな運用予測に優れており、2019年全体を通して一貫した精度を維持している。これは、Copernicus Atmosphere Monitoring Service (CAMS) 4D-Varの運用予測システムよりも明らかに高い効率を示す。
論文参考訳（メタデータ） (2024-06-27T13:14:20Z)
CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文参考訳（メタデータ） (2024-05-03T15:54:50Z)
FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文参考訳（メタデータ） (2023-12-16T02:07:56Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
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。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。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)
Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文参考訳（メタデータ） (2023-06-06T07:07:54Z)
SwinVRNN: A Data-Driven Ensemble Forecasting Model via Learned Distribution Perturbation [16.540748935603723]
本研究では,SwinRNN予測器と摂動モジュールを組み合わせた天気予報モデルであるSwinVRNNを提案する。 SwinVRNNはECMWF統合予測システム(IFS)を2m温度と6時間総降水量で最大5日間のリードタイムで上回っている。
論文参考訳（メタデータ） (2022-05-26T05:11:58Z)
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 generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)
PM2.5-GNN: A Domain Knowledge Enhanced Graph Neural Network For PM2.5 Forecasting [15.587337304295819]
我々は,長期依存を捕捉できる新しいグラフベースモデルPM2.5-GNNを開発した。提案したモデルは、無料の予測サービスを提供するためにオンラインで展開されている。
論文参考訳（メタデータ） (2020-02-10T03:33:54Z)

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。