論文の概要: DELFI: Deep Mixture Models for Long-term Air Quality Forecasting in the
Delhi National Capital Region
- arxiv url: http://arxiv.org/abs/2210.15923v1
- Date: Fri, 28 Oct 2022 06:04:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 16:42:56.779260
- Title: DELFI: Deep Mixture Models for Long-term Air Quality Forecasting in the
Delhi National Capital Region
- Title（参考訳）: DELFI:デリー首都圏における長期空気質予測のための深層混合モデル
- Authors: Naishadh Parmar, Raunak Shah, Tushar Goswamy, Vatsalya Tandon, Ravi
Sahu, Ronak Sutaria, Purushottam Kar, Sachchida Nand Tripathi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.4143605151618384
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The identification and control of human factors in climate change is a
rapidly growing concern and robust, real-time air-quality monitoring and
forecasting plays a critical role in allowing effective policy formulation and
implementation. This paper presents DELFI, a novel deep learning-based mixture
model to make effective long-term predictions of Particulate Matter (PM) 2.5
concentrations. A key novelty in DELFI is its multi-scale approach to the
forecasting problem. The observation that point predictions are more suitable
in the short-term and probabilistic predictions in the long-term allows
accurate predictions to be made as much as 24 hours in advance. DELFI
incorporates meteorological data as well as pollutant-based features to ensure
a robust model that is divided into two parts: (i) a stack of three Long
Short-Term Memory (LSTM) networks that perform differential modelling of the
same window of past data, and (ii) a fully-connected layer enabling attention
to each of the components. Experimental evaluation based on deployment of 13
stations in the Delhi National Capital Region (Delhi-NCR) in India establishes
that DELFI offers far superior predictions especially in the long-term as
compared to even non-parametric baselines. The Delhi-NCR recorded the 3rd
highest PM levels amongst 39 mega-cities across the world during 2011-2015 and
DELFI's performance establishes it as a potential tool for effective long-term
forecasting of PM levels to enable public health management and environment
protection.
- Abstract（参考訳）: 気候変動における人的要因の識別と制御は、急速に増大する関心事であり、効果的な政策定式化と実施を可能にする上で重要な役割を担っている。
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。
DELFIの重要な特徴は、予測問題に対するマルチスケールアプローチである。
長期的な短期的および確率的予測において、点予測がより適しているという観察により、正確な予測を24時間前まで行うことができる。
DELFIは、気象データと汚染物質に基づく特徴を組み込んで、2つの部分に分けられる堅牢なモデルを保証する。
(i)過去のデータと同じウィンドウの差分モデリングを行う3つのLong Short-Term Memory(LSTM)ネットワークのスタック
(ii)各コンポーネントに注意を向けられる完全接続層。
インドのデリー首都圏(Delhi-NCR)に13の駅を設置した実験による評価では、DELFIは特に非パラメトリックの基準線よりも長期においてはるかに優れた予測を提供している。
デリー-NCRは、2011-2015年に世界の39大都市の中で3番目に高いPMレベルを記録し、DELFIのパフォーマンスは、公衆衛生管理と環境保護を可能にするPMレベルを効果的に長期予測するためのツールとして確立している。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - 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) - Unleashing the Power of Dynamic Mode Decomposition and Deep Learning for
Rainfall Prediction in North-East India [0.27488316163114823]
本研究では,DMD(Dynamic Mode Decomposition)とLSTM(Long Short-Term Memory)という2つのデータ駆動手法を用いた降雨予測手法について検討した。
複数の気象観測所から得られた過去の降雨データを用いて,将来の降雨パターンを予測するためのモデルを訓練し,検証した。
以上の結果から,インド北東部地域の降雨予測精度は,データ駆動手法により著しく向上することが示唆された。
論文 参考訳（メタデータ） (2023-09-17T17:58:06Z) - 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) - 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) - A comparative assessment of deep learning models for day-ahead load
forecasting: Investigating key accuracy drivers [2.572906392867547]
短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。
STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
論文 参考訳（メタデータ） (2023-02-23T17:11:04Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - Delhi air quality prediction using LSTM deep learning models with a
focus on COVID-19 lockdown [1.3764085113103222]
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。
論文 参考訳（メタデータ） (2021-02-21T08:30:17Z) - 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)
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。