論文の概要: Delhi air quality prediction using LSTM deep learning models with a
focus on COVID-19 lockdown
- arxiv url: http://arxiv.org/abs/2102.10551v1
- Date: Sun, 21 Feb 2021 08:30:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 14:40:12.235971
- Title: Delhi air quality prediction using LSTM deep learning models with a
focus on COVID-19 lockdown
- Title(参考訳): LSTM深層学習モデルを用いたデリー大気質予測 : 新型コロナウイルスロックダウンに着目して
- Authors: Animesh Tiwari, Rishabh Gupta, Rohitash Chandra
- Abstract要約: インド・デリーで, 短時間(複数段階)の空気質予測に新しい深層学習手法を用いた。
両方向LSTMモデルは、完全および部分的なロックダウン期間における空気質に対するCOVID-19の影響にもかかわらず、最良の予測を提供する。
- 参考スコア(独自算出の注目度): 1.3764085113103222
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Air pollution has a wide range of implications on agriculture, economy, road
accidents, and health. In this paper, we use novel deep learning methods for
short-term (multi-step-ahead) air-quality prediction in selected parts of
Delhi, India. Our deep learning methods comprise of long short-term memory
(LSTM) network models which also include some recent versions such as
bidirectional-LSTM and encoder-decoder LSTM models. We use a multivariate time
series approach that attempts to predict air quality for 10 prediction horizons
covering total of 80 hours and provide a long-term (one month ahead) forecast
with uncertainties quantified. Our results show that the multivariate
bidirectional-LSTM model provides best predictions despite COVID-19 impact on
the air-quality during full and partial lockdown periods. The effect of
COVID-19 on the air quality has been significant during full lockdown; however,
there was unprecedented growth of poor air quality afterwards.
- Abstract(参考訳): 大気汚染は、農業、経済、道路事故、健康に幅広い影響を与えます。
本稿では,インドのデリー州において,短期的(多段階的)空気品質予測のための新しい深層学習手法を提案する。
我々のディープラーニング手法は、双方向LSTMやエンコーダ・デコーダLSTMモデルなどを含む長期短期記憶(LSTM)ネットワークモデルで構成されている。
我々は,80時間にわたる10の予測地平線に対する空気質の予測と,不確かさを定量化した長期(1ヶ月先)予測を行う多変量時系列手法を用いる。
以上の結果から,多変量双方向LSTMモデルでは,完全ロックダウン期間と部分ロックダウン期間の空気品質にCOVID-19の影響があるにもかかわらず,最高の予測が可能であることが示唆された。
新型コロナウイルス(COVID-19)による大気質への影響は、完全ロックダウン中に有意であるが、その後の大気品質の低下は前例のないほど成長した。
関連論文リスト
- FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。
我々は,FengWu-W2Sが大気環境を3~6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。
日時から季節時の予測誤差成長に関するアブレーション実験
論文 参考訳(メタデータ) (2024-11-15T13:44:37Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - 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) - Forecast-Aware Model Driven LSTM [0.0]
粗悪な空気質は人間の健康に大きな影響を及ぼす可能性がある。
モデルバイアスを補正するために使われる伝統的な手法は、線形性や基礎となる分布について仮定する。
ディープラーニングは、極端な空気質のイベントが存在する場合に、空気質の予測を約束する。
論文 参考訳(メタデータ) (2023-03-23T00:03:07Z) - 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) - Data-driven Real-time Short-term Prediction of Air Quality: Comparison
of ES, ARIMA, and LSTM [0.0]
歴史的データに基づく空気質の予測には,データ駆動方式を用いる。
予測精度と時間的複雑さを考慮して, 短時間の大気汚染予測ESは, ARIMAやLSTMよりも優れた性能を示した。
論文 参考訳(メタデータ) (2022-11-16T09:37:08Z) - DELFI: Deep Mixture Models for Long-term Air Quality Forecasting in the
Delhi National Capital Region [3.4143605151618384]
本稿では, 粒子状物質 (PM) 2.5 濃度の長期予測に有効な深層学習型混合モデル DELFI を提案する。
2011-2015年、デリーNCRは世界39大都市の中で3番目に高いPMを記録した。
論文 参考訳(メタデータ) (2022-10-28T06:04:52Z) - 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) - Time Series Analysis and Forecasting of COVID-19 Cases Using LSTM and
ARIMA Models [4.56877715768796]
世界保健機関(WHO)が世界的な公衆衛生危機を宣言している。
本研究では,いくつかのLong Short-Term Memory(LSTM)モデルとAuto-Regressive Integrated Integrated Average(ARIMA)モデルを用いて,新型コロナウイルス感染者数の予測を行った。
論文 参考訳(メタデータ) (2020-06-05T20:07:48Z) - Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。
本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。
平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
論文 参考訳(メタデータ) (2020-01-16T07:14:32Z)
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。