論文の概要: Multi-spatial Multi-temporal Air Quality Forecasting with Integrated Monitoring and Reanalysis Data

• arxiv url: http://arxiv.org/abs/2401.00521v1
• Date: Sun, 31 Dec 2023 15:25:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 17:10:51.973107
• Title: Multi-spatial Multi-temporal Air Quality Forecasting with Integrated Monitoring and Reanalysis Data
• Title（参考訳）: 統合モニタリングと分析データを用いたマルチ空間多時間空気質予測
• Authors: Yuxiao Hu, Qian Li, Xiaodan Shi, Jinyue Yan, and Yuntian Chen
• Abstract要約: グラフ畳み込みネットワークとGated Recurrent Units(M2G2)に基づくマルチ空間多時空気質予測手法を提案する。 空間次元では、MS-GCNモジュールは双方向学習可能な構造と残留構造を用い、個々の監視局と都市規模グラフ間の包括的な情報交換を可能にする。 時間次元に関して、MT-GRUモジュールは異なる時間スケールからの情報を並列隠れ状態を通して適応的に結合する。
• 参考スコア（独自算出の注目度）: 4.256182321494336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate air quality forecasting is crucial for public health, environmental monitoring and protection, and urban planning. However, existing methods fail to effectively utilize multi-scale information, both spatially and temporally. Spatially, there is a lack of integration between individual monitoring stations and city-wide scales. Temporally, the periodic nature of air quality variations is often overlooked or inadequately considered. To address these limitations, we present a novel Multi-spatial Multi-temporal air quality forecasting method based on Graph Convolutional Networks and Gated Recurrent Units (M2G2), bridging the gap in air quality forecasting across spatial and temporal scales. The proposed framework consists of two modules: Multi-scale Spatial GCN (MS-GCN) for spatial information fusion and Multi-scale Temporal GRU(MT-GRU) for temporal information integration. In the spatial dimension, the MS-GCN module employs a bidirectional learnable structure and a residual structure, enabling comprehensive information exchange between individual monitoring stations and the city-scale graph. Regarding the temporal dimension, the MT-GRU module adaptively combines information from different temporal scales through parallel hidden states. Leveraging meteorological indicators and four air quality indicators, we present comprehensive comparative analyses and ablation experiments, showcasing the higher accuracy of M2G2 in comparison to nine currently available advanced approaches across all aspects. The improvements of M2G2 over the second-best method on RMSE of the 24h/48h/72h are as follows: PM2.5: (7.72%, 6.67%, 10.45%); PM10: (6.43%, 5.68%, 7.73%); NO2: (5.07%, 7.76%, 16.60%); O3: (6.46%, 6.86%, 9.79%). Furthermore, we demonstrate the effectiveness of each module of M2G2 by ablation study.
• Abstract（参考訳）: 正確な空気質予測は、公衆衛生、環境モニタリングと保護、都市計画に不可欠である。 しかし,既存の手法では空間的にも時間的にも,マルチスケール情報を効果的に活用できない。 空間的には、個々の監視局と都市規模の統合が欠如している。 空気質の変化の周期的性質は、しばしば見過ごされるか、あるいは不十分に考慮される。 そこで本研究では, グラフ畳み込みネットワークとゲートリカレントユニット(m2g2)に基づく, 空間的および時間的スケールでの空気品質予測のギャップを埋める, 多空間的多時空間的空気品質予測手法を提案する。 提案フレームワークは,空間情報融合のためのマルチスケール空間GCN (MS-GCN) と時間情報統合のためのマルチスケール時間GRU (MT-GRU) の2つのモジュールから構成される。 空間次元では、MS-GCNモジュールは双方向学習可能な構造と残留構造を用い、個々の監視局と都市規模グラフ間の包括的な情報交換を可能にする。 時間次元に関して、MT-GRUモジュールは異なる時間スケールからの情報を並列隠れ状態を通して適応的に結合する。 気象指標と4つの大気質指標を利用して総合的な比較分析とアブレーション実験を行い、M2G2の精度を全局的に利用可能な9つの高度なアプローチと比較した。 pm2.5: (7.72%, 6.67%, 10.45%), pm10: (6.43%, 5.68%, 7.73%), no2: (5.07%, 7.76%, 16.60%), o3: (6.46%, 6.86%, 9.79%) である。 さらに, アブレーション法によるM2G2の各モジュールの有効性を示す。

関連論文リスト

• M4Fog: A Global Multi-Regional, Multi-Modal, and Multi-Stage Dataset for Marine Fog Detection and Forecasting to Bridge Ocean and Atmosphere [34.63172821289592]
  これまでに最も包括的な海洋霧検出・予測データセットであるM4Fogを提示する。 データセットは、元素、緯度、経度、時間という4つの次元に沿って68,000個の「スーパーフォッグデータ立方体」で構成され、時間分解能は30時間、空間分解能は1kmである。 実用的応用を考えると,マルチメトリック評価システムを用いた3つの意味トラックを定義し,検討した。
  論文  参考訳（メタデータ） (2024-06-19T08:11:07Z)
• SGRU: A High-Performance Structured Gated Recurrent Unit for Traffic Flow Prediction [11.918007808289463]
  本稿では、構造化GRU層と非線形ユニットを含む構造化Gated Recurrent Unitsと、モデルの適合性を向上させるために複数の時間層を埋め込んだSGRUを提案する。 我々は,カリフォルニアの4つの公共交通データセット(PeMS03,PeMS04,PeMS07,PeMS08)を回帰予測として評価した。
  論文  参考訳（メタデータ） (2024-04-18T02:15:40Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Using Multi-Temporal Sentinel-1 and Sentinel-2 data for water bodies mapping [40.996860106131244]
  気候変動は極端な気象現象を激化させ、水不足と激しい降雨の予測不可能の両方を引き起こしている。 本研究の目的は,多様な気象条件下での総合的な水資源モニタリングに有用な知見を提供することである。
  論文  参考訳（メタデータ） (2024-01-05T18:11:08Z)
• A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind Prediction [3.2474405288441544]
  本稿では,高精度かつ高精度な風速予測のための新しいデータ駆動モデルを提案する。 MHSTNは、シークエンス・ツー・シークエンス(Seq2Seq)バックボーンで異なる因子をターゲットにした複数のディープニューラルネットワークを統合する。 MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
  論文  参考訳（メタデータ） (2023-09-09T09:36:28Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)
• 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)
• 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。