論文の概要: Managing Large Dataset Gaps in Urban Air Quality Prediction:
DCU-Insight-AQ at MediaEval 2022
- arxiv url: http://arxiv.org/abs/2212.10273v1
- Date: Mon, 19 Dec 2022 16:53:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 14:35:28.185779
- Title: Managing Large Dataset Gaps in Urban Air Quality Prediction:
DCU-Insight-AQ at MediaEval 2022
- Title(参考訳): 都市大気質予測における大規模データセットギャップの管理:メディアエバル2022におけるDCU-Insight-AQ
- Authors: Dinh Viet Cuong and Phuc H. Le-Khac and Adam Stapleton and Elke
Eichlemann and Mark Roantree and Alan F. Smeaton
- Abstract要約: 我々は,AQIが今後1日,5日,7日で予測される大気質データのギャップフィリングに注目した。
シナリオでは、1つまたは複数の空気、天気予報センサーがオフラインにあり、予測精度を調査する。
- 参考スコア(独自算出の注目度): 2.0796717061432006
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Calculating an Air Quality Index (AQI) typically uses data streams from air
quality sensors deployed at fixed locations and the calculation is a real time
process. If one or a number of sensors are broken or offline, then the real
time AQI value cannot be computed. Estimating AQI values for some point in the
future is a predictive process and uses historical AQI values to train and
build models. In this work we focus on gap filling in air quality data where
the task is to predict the AQI at 1, 5 and 7 days into the future. The scenario
is where one or a number of air, weather and traffic sensors are offline and
explores prediction accuracy under such situations. The work is part of the
MediaEval'2022 Urban Air: Urban Life and Air Pollution task submitted by the
DCU-Insight-AQ team and uses multimodal and crossmodal data consisting of AQI,
weather and CCTV traffic images for air pollution prediction.
- Abstract(参考訳): 空気品質指数(AQI)の計算は通常、固定位置に配置された空気質センサーのデータストリームを使用し、計算はリアルタイムプロセスである。
1つまたは複数のセンサーが故障またはオフラインの場合、リアルタイムのAQI値は計算できない。
将来ある時点のAQI値を推定することは予測プロセスであり、過去のAQI値を使用してモデルをトレーニングし、構築する。
本研究では,aqiを将来1~5~7日で予測するタスクにおいて,空気質データにギャップを埋めることに焦点を当てる。
シナリオは、1つまたは複数の空気、天気、交通センサーがオフラインであり、そのような状況下で予測精度を探索する。
この作業は、DCU-Insight-AQチームが提出したMediaEval'2022 Urban Air: Urban Life and Air Pollutionタスクの一部であり、大気汚染予測のためにAQI、天気、CCTVの交通画像からなるマルチモーダルおよびクロスモーダルデータを使用する。
関連論文リスト
- Towards an end-to-end artificial intelligence driven global weather
forecasting system [56.58654971803005]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが希少な地球観測を同化して高品質な分析を行うことを示す。
我々は,提案手法を実世界のシナリオに適用した最初の人物である。
論文 参考訳(メタデータ) (2023-12-18T09:05:28Z) - Gaussian Processes for Monitoring Air-Quality in Kampala [3.173497841606415]
本研究では,センサが存在しない場所での現在の大気汚染を予測し,センサ位置で将来の大気汚染を予測するためのガウス過程の活用について検討する。
私たちは、AirQoのセンサーネットワークのデータを使って、ウガンダのカンパラ市に焦点を当てています。
論文 参考訳(メタデータ) (2023-11-28T09:25:23Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-02T17:13:16Z) - GreenEyes: An Air Quality Evaluating Model based on WaveNet [11.513011576336744]
本稿では,シーケンスの表現を学習するためのWaveNetベースのバックボーンブロックと,テンポラルアテンションモジュールを用いたLSTMで構成されるディープニューラルネットワークモデルを提案する。
我々は,データセットから得られた空気質データの任意の部分について,次のタイムスタンプの空気質レベルを効果的に予測できることを示す。
論文 参考訳(メタデータ) (2022-12-08T10:28:57Z) - Predicting air quality via multimodal AI and satellite imagery [0.2492060267829796]
本稿では,監視局が存在しない空気質指標を予測するためのマルチモーダル機械学習モデルを提案する。
欧州大気汚染監視局(ESA Copernicus)プロジェクトからtextitaltitude, population, etc.$などの機能を備えた新しい欧州汚染監視局(ECA)のデータセットが作成されている。
これらの予測は、異なる地域における空気の質を比較するのに使用できる「空気品質指標」を作成するために集約される。
論文 参考訳(メタデータ) (2022-11-01T22:56:15Z) - PlumeCityNet: Multi-Resolution Air Quality Forecasting [0.0]
本稿では, 主汚染物質の濃度が健康に悪影響を及ぼすことを予測できるエンジンについて述べる。
エンジンには、大気汚染監視局の測定、天気予報、物理モデルの出力、交通量の推定が供給されている。
我々は、ヨーロッパとアメリカの大都市でエンジンの実装と評価を行い、他の予測方法よりも明らかに優れています。
論文 参考訳(メタデータ) (2021-10-06T11:28:39Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z) - 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) - Accelerating Real-Time Question Answering via Question Generation [98.43852668033595]
Ocean-Qは新しい質問生成(QG)モデルを導入し、大量のQAペアをオフラインで生成する。
入力された質問を候補QAプールとリアルタイムにマッチングし、質問エンコーディングなしで回答を予測する。
Ocean-Qは、既存の分散データベースシステムや検索エンジンに簡単にデプロイでき、大規模クエリを使用することができる。
論文 参考訳(メタデータ) (2020-09-10T22:44:29Z) - 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。