Fugu-MT 論文翻訳(概要): Data-driven Real-time Short-term Prediction of Air Quality: Comparison of ES, ARIMA, and LSTM

論文の概要: Data-driven Real-time Short-term Prediction of Air Quality: Comparison of ES, ARIMA, and LSTM

arxiv url: http://arxiv.org/abs/2211.09814v1
Date: Wed, 16 Nov 2022 09:37:08 GMT
ステータス: 処理完了
システム内更新日: 2022-11-21 15:28:28.311910
Title: Data-driven Real-time Short-term Prediction of Air Quality: Comparison of ES, ARIMA, and LSTM
Title（参考訳）: データ駆動による大気質の短時間予測:ES, ARIMA, LSTMの比較
Authors: Iryna Talamanova, Sabri Pllana
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Air pollution is a worldwide issue that affects the lives of many people in urban areas. It is considered that the air pollution may lead to heart and lung diseases. A careful and timely forecast of the air quality could help to reduce the exposure risk for affected people. In this paper, we use a data-driven approach to predict air quality based on historical data. We compare three popular methods for time series prediction: Exponential Smoothing (ES), Auto-Regressive Integrated Moving Average (ARIMA) and Long short-term memory (LSTM). Considering prediction accuracy and time complexity, our experiments reveal that for short-term air pollution prediction ES performs better than ARIMA and LSTM.
Abstract（参考訳）: 大気汚染は世界中の都市部の多くの人々の生活に影響を与える問題である。大気汚染は心臓病や肺疾患を引き起こす可能性があると考えられている。空気質の慎重でタイムリーな予測は、影響を受ける人の露出リスクを減らすのに役立つ。本稿では,歴史的データに基づく大気質の予測にデータ駆動方式を用いる。時系列予測には,指数平滑化(ES),自己回帰統合移動平均(ARIMA),Long短期記憶(LSTM)の3つの一般的な手法を比較する。予測精度と時間的複雑さを考慮すると,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。

関連論文リスト

Physics-based deep learning reveals rising heating demand heightens air pollution in Norwegian cities [0.9187407509784052]
政策立案者は、交流を無視して、大気の質や気候変動を孤立して分析することが多い。本研究は,K平均クラスタリング,階層クラスタリング,ランダムフォレスト技術と回帰モデルを比較して,特定の気候要因が大気質に及ぼす影響を考察する。大気汚染予測のための物理ベースディープラーニング(PBDL)とLong Short-Term Memory(LSTM)を用いる。
論文参考訳（メタデータ） (2024-05-07T23:43:46Z)
Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文参考訳（メタデータ） (2024-04-08T09:13:16Z)
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)
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)
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)
Novel Regression and Least Square Support Vector Machine Learning Technique for Air Pollution Forecasting [0.0]
大気汚染ベンチマークの不適切な検出は、人間や生物にとって深刻な合併症をもたらす。 DR-LSSVに基づく大気汚染予測手法を提案する。その結果, DR-LSSV技術は大気汚染予測性能を効果的に向上させることができることがわかった。
論文参考訳（メタデータ） (2023-06-11T06:56:00Z)
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)
Evaluation of Time Series Forecasting Models for Estimation of PM2.5 Levels in Air [0.0]
この研究では、環境中のPM2.5濃度を推定するために、ARIMA、FBProphet、LSTM、1D CNNなどのディープラーニングモデルを採用する。予測結果から,すべての手法が平均根平均二乗誤差で比較結果を与えることがわかった。
論文参考訳（メタデータ） (2021-04-07T16:24:39Z)
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)
SOCAIRE: Forecasting and Monitoring Urban Air Quality in Madrid [0.0]
本稿では,ニューラルネットワーク,統計モデル,ネストモデルに基づく運用ツールであるSOCAIREを提案する。大気汚染の過去の濃度、人間の活動、数値汚染の推定、数値天気予報など、大気汚染に影響を及ぼす可能性のある各コンポーネントをモデル化することに焦点を当てている。このツールは現在マドリードで運用されており、48時間にわたって毎日の空気の質を予測している。
論文参考訳（メタデータ） (2020-11-19T09:39:10Z)
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。