論文の概要: HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method

• arxiv url: http://arxiv.org/abs/2101.04264v1
• Date: Tue, 12 Jan 2021 02:31:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 01:42:22.504768
• Title: HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method
• Title（参考訳）: HighAir:階層型グラフニューラルネットワークによる品質予測手法
• Authors: Jiahui Xu, Ling Chen, Mingqi Lv, Chaoqun Zhan, Sanjian Chen, Jian Chang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.86417830514213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately forecasting air quality is critical to protecting general public from lung and heart diseases. This is a challenging task due to the complicated interactions among distinct pollution sources and various other influencing factors. Existing air quality forecasting methods cannot effectively model the diffusion processes of air pollutants between cities and monitoring stations, which may suddenly deteriorate the air quality of a region. In this paper, we propose HighAir, i.e., a hierarchical graph neural network-based air quality forecasting method, which adopts an encoder-decoder architecture and considers complex air quality influencing factors, e.g., weather and land usage. Specifically, we construct a city-level graph and station-level graphs from a hierarchical perspective, which can consider city-level and station-level patterns, respectively. We design two strategies, i.e., upper delivery and lower updating, to implement the inter-level interactions, and introduce message passing mechanism to implement the intra-level interactions. We dynamically adjust edge weights based on wind direction to model the correlations between dynamic factors and air quality. We compare HighAir with the state-of-the-art air quality forecasting methods on the dataset of Yangtze River Delta city group, which covers 10 major cities within 61,500 km2. The experimental results show that HighAir significantly outperforms other methods.
• Abstract（参考訳）: 空気質を正確に予測することは、一般市民を肺や心臓病から守るのに不可欠である。 これは、異なる汚染源と様々な影響要因の間の複雑な相互作用のため、難しい課題である。 既存の大気汚染予測手法では,都市と監視局間の大気汚染物質の拡散過程を効果的にモデル化することはできない。 本稿では,エンコーダ・デコーダアーキテクチャを採用し,気象や土地利用など,複雑な空気品質に影響する要因を考慮した階層型グラフニューラルネットワークによる空気品質予測手法を提案する。 具体的には,都市レベルのグラフと駅レベルのグラフを階層的な視点から構築し,都市レベルのパターンと駅レベルのパターンをそれぞれ検討する。 我々は,レベル間インタラクションを実装するために,上位配信と下位更新という2つの戦略を設計し,レベル内インタラクションを実装するためのメッセージパッシング機構を導入する。 風向に基づくエッジウェイトを動的に調整し, 動的要因と空気質の関係をモデル化する。 我々は,61,500km2以内の10大都市をカバーしているヤンツェ川デルタ市のデータセットについて,HighAirと最先端の空気質予測手法を比較した。 実験の結果,HighAirは他の手法よりも優れていた。

関連論文リスト

• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• Spatiotemporal Graph Convolutional Recurrent Neural Network Model for Citywide Air Pollution Forecasting [0.0]
  大気汚染は様々な方法で変化し、多くの複雑な要因に依存する。 画像に基づく表現は、大気汚染やその他の影響要因が自然なグラフ構造を持つため理想的ではないかもしれない。 グラフ畳み込みネットワーク(GCN: Graph Convolutional Network)は、都市全体における空気質の読み出しの空間的特徴を効率的に表現することができる。 本手法は, 実環境大気汚染データを用いたハイブリッドGCN法よりも優れている。
  論文  参考訳（メタデータ） (2023-04-25T07:57:07Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Group-Aware Graph Neural Network for Nationwide City Air Quality Forecasting [9.776274620044111]
  大気質予測は、大気質指数を数時間から数日後に提供し、大気汚染を事前に防ぐのに役立つ。 従来は都市全体の大気質予測に焦点が当てられていたが、全国的な都市予測問題は解決できない。 本稿では,全国の都市大気質予測のための階層モデルであるグループ対応グラフニューラルネットワーク(GAGNN)を提案する。
  論文  参考訳（メタデータ） (2021-08-27T12:37:56Z)
• 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)
• Mining atmospheric data [0.0]
  最初の問題は、新しい公開データセットとベンチマークの構築に関するものだ。 第2の課題は、大気データ分類のための深層学習手法の調査である。 対象とする用途は、空気質の評価と予測である。
  論文  参考訳（メタデータ） (2021-06-26T10:04:35Z)
• 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)
• AirRL: A Reinforcement Learning Approach to Urban Air Quality Inference [7.238981927352622]
  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。
  論文  参考訳（メタデータ） (2020-03-27T02:04:00Z)

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。