論文の概要: A Novel Prediction Approach for Exploring PM2.5 Spatiotemporal Propagation Based on Convolutional Recursive Neural Networks

• arxiv url: http://arxiv.org/abs/2101.06213v1
• Date: Fri, 15 Jan 2021 17:00:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 14:29:44.639215
• Title: A Novel Prediction Approach for Exploring PM2.5 Spatiotemporal Propagation Based on Convolutional Recursive Neural Networks
• Title（参考訳）: 畳み込み再帰型ニューラルネットワークに基づくPM2.5時空間伝播の新しい予測手法
• Authors: Hsing-Chung Chen, Karisma Trinanda Putra, Jerry Chun-WeiLin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.131106953836335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The spread of PM2.5 pollutants that endanger health is difficult to predict because it involves many atmospheric variables. These micron particles can spread rapidly from their source to residential areas, increasing the risk of respiratory disease if exposed for long periods. The prediction system of PM2.5 propagation provides more detailed and accurate information as an early warning system to reduce health impacts on the community. According to the idea of transformative computing, the approach we propose in this paper allows computation on the dataset obtained from massive-scale PM2.5 sensor nodes via wireless sensor network. In the scheme, the deep learning model is implemented on the server nodes to extract spatiotemporal features on these datasets. This research was conducted by using dataset of air quality monitoring systems in Taiwan. This study presents a new model based on the convolutional recursive neural network to generate the prediction map. In general, the model is able to provide accurate predictive results by considering the bonds among measurement nodes in both spatially and temporally. Therefore, the particulate pollutant propagation of PM2.5 could be precisely monitored by using the model we propose in this paper.
• Abstract（参考訳）: 健康を脅かすPM2.5汚染物質の普及は、多くの大気変数を含むため予測が難しい。 これらのミクロン粒子は源から住宅地まで急速に拡散し、長時間露光すると呼吸器疾患のリスクが高まる。 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。 本論文で提案するトランスフォーメーションコンピューティングの考え方により,大規模pm2.5センサノードから取得したデータセットを無線センサネットワークで計算できる。 このスキームでは、深層学習モデルをサーバノードに実装し、これらのデータセットの時空間的特徴を抽出する。 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。 本研究では,畳み込み再帰型ニューラルネットワークに基づく予測マップを生成する新しいモデルを提案する。 一般に、測定ノード間の結合を空間的および時間的に考慮し、正確な予測結果を提供できる。 そこで, 本論文では, PM2.5の粒子状汚染物質伝播をモデルを用いて正確に観測する。

関連論文リスト

• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• 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)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Spatiotemporal Estimation of TROPOMI NO2 Column with Depthwise Partial Convolutional Neural Network [0.17590081165362778]
  衛星による観測は、雲の覆いと表面反射率に負の影響を受けている。 本稿では,部分畳み込みニューラルネットワーク(PCNN)の適用範囲を広げ,深部畳み込み層を組み込む。 深層学習システムは,TROpospheric Monitoring Instrument TCDNO2をインプットするために,N_2(TCDNO2)の球面密度をシミュレーションしたコミュニティマルチスケール空気品質モデルを用いて訓練される。
  論文  参考訳（メタデータ） (2022-04-12T16:23:36Z)
• TFDPM: Attack detection for cyber-physical systems with diffusion probabilistic models [10.389972581904999]
  CPSにおける攻撃検出タスクの一般的なフレームワークであるTFDPMを提案する。 履歴データから時間パターンと特徴パターンを同時に抽出する。 ノイズスケジューリングネットワークは、検出速度を3倍に向上させる。
  論文  参考訳（メタデータ） (2021-12-20T13:13:29Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• 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)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Analytical Equations based Prediction Approach for PM2.5 using Artificial Neural Network [0.0]
  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。
  論文  参考訳（メタデータ） (2020-02-26T11:39:18Z)
• 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。