論文の概要: Machine Learning for Urban Air Quality Analytics: A Survey
- arxiv url: http://arxiv.org/abs/2310.09620v1
- Date: Sat, 14 Oct 2023 17:03:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 19:22:17.190200
- Title: Machine Learning for Urban Air Quality Analytics: A Survey
- Title（参考訳）: 都市空気質分析のための機械学習:調査
- Authors: Jindong Han, Weijia Zhang, Hao Liu, Hui Xiong
- Abstract要約: 大気汚染は、広範囲にわたる結果に緊急の世界的な懸念をもたらす。
本稿では,機械学習に基づく空気質分析に関する総合的な調査を紹介する。
- 参考スコア（独自算出の注目度）: 27.96085346957208
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The increasing air pollution poses an urgent global concern with far-reaching
consequences, such as premature mortality and reduced crop yield, which
significantly impact various aspects of our daily lives. Accurate and timely
analysis of air pollution is crucial for understanding its underlying
mechanisms and implementing necessary precautions to mitigate potential
socio-economic losses. Traditional analytical methodologies, such as
atmospheric modeling, heavily rely on domain expertise and often make
simplified assumptions that may not be applicable to complex air pollution
problems. In contrast, Machine Learning (ML) models are able to capture the
intrinsic physical and chemical rules by automatically learning from a large
amount of historical observational data, showing great promise in various air
quality analytical tasks. In this article, we present a comprehensive survey of
ML-based air quality analytics, following a roadmap spanning from data
acquisition to pre-processing, and encompassing various analytical tasks such
as pollution pattern mining, air quality inference, and forecasting. Moreover,
we offer a systematic categorization and summary of existing methodologies and
applications, while also providing a list of publicly available air quality
datasets to ease the research in this direction. Finally, we identify several
promising future research directions. This survey can serve as a valuable
resource for professionals seeking suitable solutions for their specific
challenges and advancing their research at the cutting edge.
- Abstract（参考訳）: 大気汚染の増加は、早世や収穫量の減少など、我々の日常生活の様々な側面に大きな影響を与える広範囲な結果に緊急の世界的な懸念をもたらす。
大気汚染の正確かつタイムリーな分析は、その根底にあるメカニズムを理解し、社会経済的損失を軽減させるために必要な予防措置を実施する上で不可欠である。
大気モデリングのような従来の分析手法は、ドメインの専門知識に大きく依存しており、複雑な大気汚染問題に適用できないような単純な仮定をすることも多い。
対照的に、機械学習(ml)モデルは、大量の歴史的観測データから自動的に学習することで、内在的な物理的および化学的ルールを捉えることができ、様々な空気質分析タスクにおいて大きな期待を示す。
本稿では,データ取得から前処理までのロードマップに従い,汚染パターンマイニング,大気質推定,予測といった様々な分析タスクを網羅する,mlに基づく空気品質分析の総合的な調査を行う。
さらに、既存の方法論や応用の体系的な分類と概要を提示するとともに、この方向の研究を容易にするために、公開されている大気質データセットのリストも提供する。
最後に,将来有望な研究の方向性を明らかにした。
この調査は、特定の課題に対して適切な解決策を求め、最先端で研究を進めるプロフェッショナルにとって貴重なリソースとなる。
関連論文リスト
- Air Quality Forecasting Using Machine Learning: A Global perspective
with Relevance to Low-Resource Settings [0.0]
大気汚染は世界第4位の死因である。
本研究では,2ヶ月の空気質データを用いた高精度な空気質予測のための新しい機械学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-09T05:52:02Z) - Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳（メタデータ） (2023-12-22T15:04:20Z) - Challenges in data-based geospatial modeling for environmental research
and practice [19.316860936437823]
機械学習(ML)を用いたデータに基づく地理空間モデリングが環境研究で人気を博している。
本研究では,不均衡データ,空間自己相関,予測誤差,モデル一般化,ドメイン特異性,不確実性推定など,地理空間モデリングにおける一般的なニュアンスについて検討する。
論文 参考訳（メタデータ） (2023-11-18T12:30:49Z) - Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。
我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
論文 参考訳（メタデータ） (2023-09-29T03:33:53Z) - Unleashing Realistic Air Quality Forecasting: Introducing the
Ready-to-Use PurpleAirSF Dataset [4.190243190157989]
本稿では,PurpleAirネットワークからの包括的かつ容易にアクセス可能なデータセットであるPurpleAirSFを紹介する。
本稿では、PurpleAirSFの構築に使用されるデータ収集および処理方法の詳細について述べる。
従来の予測モデルと現代の予測モデルの両方を用いて予備実験を行い、将来の大気質予測タスクのベンチマークを作成する。
論文 参考訳（メタデータ） (2023-06-24T12:10:16Z) - 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) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - A Machine-Learning-Aided Visual Analysis Workflow for Investigating Air
Pollution Data [18.972547412113567]
大気汚染データの分析は、特徴(何)、空間(どこに)、時間(いつ)といった様々な側面からの分析に焦点を当てているため、困難である。
我々は、フレキシブルな分析ワークフローをサポートするビジュアル分析システムを開発し、ドメインの専門家が分析ニーズに基づいて様々な側面を自由に探索できるようにする。
論文 参考訳（メタデータ） (2022-02-11T02:24:21Z) - Automatic Gaze Analysis: A Survey of DeepLearning based Approaches [61.32686939754183]
視線分析はコンピュータビジョンとヒューマン・コンピュータ・インタラクションの分野で重要な研究課題である。
制約のない環境で視線方向を解釈するための重要な手がかりは何か、いくつかのオープンな質問がある。
我々は、これらの基本的な疑問に光を当てるために、様々な視線分析タスクと応用の進捗を概観する。
論文 参考訳（メタデータ） (2021-08-12T00:30:39Z) - 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) - Predictive Analytics for Water Asset Management: Machine Learning and
Survival Analysis [55.41644538483948]
本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。
スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。
その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
論文 参考訳（メタデータ） (2020-07-02T19:08:36Z)
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。