論文の概要: Spatiotemporal Graph Convolutional Recurrent Neural Network Model for
Citywide Air Pollution Forecasting
- arxiv url: http://arxiv.org/abs/2304.12630v1
- Date: Tue, 25 Apr 2023 07:57:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-26 21:31:39.131411
- Title: Spatiotemporal Graph Convolutional Recurrent Neural Network Model for
Citywide Air Pollution Forecasting
- Title（参考訳）: 都市全体の大気汚染予測のための時空間グラフ畳み込みニューラルネットワークモデル
- Authors: Van-Duc Le
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Citywide Air Pollution Forecasting tries to precisely predict the air quality
multiple hours ahead for the entire city. This topic is challenged since air
pollution varies in a spatiotemporal manner and depends on many complicated
factors. Our previous research has solved the problem by considering the whole
city as an image and leveraged a Convolutional Long Short-Term Memory
(ConvLSTM) model to learn the spatiotemporal features. However, an image-based
representation may not be ideal as air pollution and other impact factors have
natural graph structures. In this research, we argue that a Graph Convolutional
Network (GCN) can efficiently represent the spatial features of air quality
readings in the whole city. Specially, we extend the ConvLSTM model to a
Spatiotemporal Graph Convolutional Recurrent Neural Network (Spatiotemporal
GCRNN) model by tightly integrating a GCN architecture into an RNN structure
for efficient learning spatiotemporal characteristics of air quality values and
their influential factors. Our extensive experiments prove the proposed model
has a better performance compare to the state-of-the-art ConvLSTM model for air
pollution predicting while the number of parameters is much smaller. Moreover,
our approach is also superior to a hybrid GCN-based method in a real-world air
pollution dataset.
- Abstract（参考訳）: 都市全体の大気汚染予測は、市全体の大気質を正確に予測しようと試みている。
大気汚染は時空間的に変化し、多くの複雑な要因に依存するため、この問題は解決される。
過去の研究では,都市全体をイメージとして考慮し,コンボリューショナル・ロング・短期記憶(ConvLSTM)モデルを用いて時空間の特徴を学習することで,この問題を解決している。
しかし、大気汚染やその他の影響要因が自然グラフ構造を持つため、画像に基づく表現は理想的ではないかもしれない。
本研究では, グラフ畳み込みネットワーク (gcn) が都市全体の空気品質を読み取る空間的特徴を効率的に表現できることを考察する。
具体的には、GCNアーキテクチャをRNN構造に密に統合し、空気質値とその影響因子の時空間特性を効率よく学習することにより、ConvLSTMモデルを時空間グラフ畳み込みリカレントニューラルネットワーク(時空間GCRNN)モデルに拡張する。
提案手法は, 大気汚染予測のための最新のConvLSTMモデルと比較して, パラメータの数ははるかに少ないが, 優れた性能を示す。
また,本手法は,実世界の大気汚染データセットにおけるハイブリッドgcn法よりも優れている。
関連論文リスト
- Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。
我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。
本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
論文 参考訳（メタデータ） (2024-09-11T19:31:56Z) - MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - Spatio-Temporal Field Neural Networks for Air Quality Inference [13.582971831446647]
本稿では,新しいモデルSpatio-Temporal Field Neural Networkとその対応するフレームワークであるPraamidal Inferenceを提案する。
本モデルは中国本土における大気質の全国的推定における最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-03-02T10:14:42Z) - 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) - 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) - Group-Aware Graph Neural Network for Nationwide City Air Quality
Forecasting [9.776274620044111]
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。
論文 参考訳（メタデータ） (2021-08-27T12:37:56Z) - 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) - Joint Air Quality and Weather Prediction Based on Multi-Adversarial
Spatiotemporal Networks [44.34236994440102]
本稿では,複数対数連続グラフニューラルネットワーク(MasterGNN)を共同空気質と天気予報のために提案する。
具体的には,大気質と気象モニタリングステーション間の不均一な自己時間相関をモデル化するグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-30T04:42:03Z) - 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。