Fugu-MT 論文翻訳(概要): Group-Aware Graph Neural Network for Nationwide City Air Quality Forecasting

論文の概要: Group-Aware Graph Neural Network for Nationwide City Air Quality Forecasting

arxiv url: http://arxiv.org/abs/2108.12238v1
Date: Fri, 27 Aug 2021 12:37:56 GMT
ステータス: 処理完了
システム内更新日: 2021-08-30 14:10:18.199285
Title: Group-Aware Graph Neural Network for Nationwide City Air Quality Forecasting
Title（参考訳）: 全国都市大気質予測のためのグループ対応グラフニューラルネットワーク
Authors: Ling Chen, Jiahui Xu, Binqing Wu, Yuntao Qian, Zhenhong Du, Yansheng Li, Yongjun Zhang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 9.776274620044111
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The problem of air pollution threatens public health. Air quality forecasting can provide the air quality index hours or even days later, which can help the public to prevent air pollution in advance. Previous works focus on citywide air quality forecasting and cannot solve nationwide city forecasting problem, whose difficulties lie in capturing the latent dependencies between geographically distant but highly correlated cities. In this paper, we propose the group-aware graph neural network (GAGNN), a hierarchical model for nationwide city air quality forecasting. The model constructs a city graph and a city group graph to model the spatial and latent dependencies between cities, respectively. GAGNN introduces differentiable grouping network to discover the latent dependencies among cities and generate city groups. Based on the generated city groups, a group correlation encoding module is introduced to learn the correlations between them, which can effectively capture the dependencies between city groups. After the graph construction, GAGNN implements message passing mechanism to model the dependencies between cities and city groups. The evaluation experiments on Chinese city air quality dataset indicate that our GAGNN outperforms existing forecasting models.
Abstract（参考訳）: 大気汚染の問題は公衆衛生を脅かす。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。以前の研究は、都市全体の大気質予測に重点を置いており、地理的に遠くて高い相関関係にある都市間の潜在的な依存関係を捉えることが困難である全国的な都市予測問題を解決できない。本稿では,全国都市空気質予測のための階層モデルであるgagnn(group-aware graph neural network)を提案する。このモデルは都市間の空間的依存をモデル化するために都市グラフと都市グループグラフを構築する。 GAGNNは、都市間の依存性を発見し、都市グループを生成するために、異なるグループネットワークを導入している。生成した都市群に基づいてグループ相関符号化モジュールを導入し,それらの相関関係を学習し,都市群間の依存関係を効果的に把握する。グラフ構築後、GAGNNは、都市と都市グループの依存関係をモデル化するメッセージパッシング機構を実装した。中国の都市大気質データセットの評価実験により,GAGNNが既存の予測モデルより優れていることが示された。

関連論文リスト

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)
Attention-based Contextual Multi-View Graph Convolutional Networks for Short-term Population Prediction [0.0]
我々は、意図に基づくコンテキストグラフ畳み込みネットワーク(ACMV-GCNViews)と呼ばれる新しいディープラーニングモデルを提案する。まず、都市環境情報に基づいて複数のグラフを構築し、それからACM-GCNViewsはグラフネットワークを用いた様々なビューから空間相関をキャプチャする。携帯電話で収集した人口データを用いて,提案手法がベースライン法より優れていることを示す。
論文参考訳（メタデータ） (2022-03-01T14:37:04Z)
Effective Urban Region Representation Learning Using Heterogeneous Urban Graph Attention Network (HUGAT) [0.0]
都市域の表現を学習するためのヘテロジニアスな都市グラフアテンションネットワーク(HUGAT)を提案する。ニューヨークのデータに関する我々の実験では、HUGATは最先端のすべてのモデルより優れています。
論文参考訳（メタデータ） (2022-02-18T04:59:20Z)
Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
論文参考訳（メタデータ） (2021-11-20T18:57:18Z)
Local Augmentation for Graph Neural Networks [78.48812244668017]
本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
論文参考訳（メタデータ） (2021-09-08T18:10:08Z)
QD-GCN: Query-Driven Graph Convolutional Networks for Attributed Community Search [54.42038098426504]
QD-GCNは、ACS問題を解決するために、コミュニティ構造とノード属性を統一するエンドツーエンドフレームワークである。本稿では、QD-GCNが既存の属性付きコミュニティ検索アルゴリズムを効率性と有効性の両方で上回ることを示す。
論文参考訳（メタデータ） (2021-04-08T07:52:48Z)
HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method [8.86417830514213]
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。
論文参考訳（メタデータ） (2021-01-12T02:31:14Z)
Should Graph Convolution Trust Neighbors? A Simple Causal Inference Method [114.48708191371524]
グラフ畳み込みネットワーク(GCN)は情報検索(IR)アプリケーションのための新興技術である。この研究は、ほとんど精査されていないテストノードの局所的な構造差に焦点を当てている。本稿では,GCNの動作メカニズムを因果グラフを用いて解析し,ノードの局所構造による因果効果を推定する。
論文参考訳（メタデータ） (2020-10-22T15:21:47Z)
Conditional Generative Adversarial Networks to Model Urban Outdoor Air Pollution [0.8122270502556374]
本稿では, 所定の分類に従って, 合成二酸化窒素の日時系列を生成できるモデルを訓練することを提案する。提案手法は, 計算時間削減を必要としながら, 高精度で多彩な毎日の汚染時系列を生成することができる。
論文参考訳（メタデータ） (2020-10-05T18:01:10Z)
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)

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。