論文の概要: Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates

• arxiv url: http://arxiv.org/abs/2404.05324v1
• Date: Mon, 8 Apr 2024 09:13:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-09 14:54:22.287816
• Title: Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates
• Title（参考訳）: バック・トゥ・ザ・フューチャー:GNNベースのNO$_2$予測
• Authors: Antonio Giganti, Sara Mandelli, Paolo Bestagini, Umberto Giuriato, Alessandro D'Ausilio, Marco Marcon, Stefano Tubaro,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.93577170464313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the latest environmental concerns in keeping at bay contaminants emissions in urban areas, air pollution forecasting has been rising the forefront of all researchers around the world. When predicting pollutant concentrations, it is common to include the effects of environmental factors that influence these concentrations within an extended period, like traffic, meteorological conditions and geographical information. Most of the existing approaches exploit this information as past covariates, i.e., past exogenous variables that affected the pollutant but were not affected by it. In this paper, we present a novel forecasting methodology to predict NO$_2$ concentration via both past and future covariates. Future covariates are represented by weather forecasts and future calendar events, which are already known at prediction time. In particular, we deal with air quality observations in a city-wide network of ground monitoring stations, modeling the data structure and estimating the predictions with a Spatiotemporal Graph Neural Network (STGNN). We propose a conditioning block that embeds past and future covariates into the current observations. After extracting meaningful spatiotemporal representations, these are fused together and projected into the forecasting horizon to generate the final prediction. To the best of our knowledge, it is the first time that future covariates are included in time series predictions in a structured way. Remarkably, we find that conditioning on future weather information has a greater impact than considering past traffic conditions. We release our code implementation at https://github.com/polimi-ispl/MAGCRN.
• Abstract（参考訳）: 都市部における湾岸汚染物質排出量の抑制に関する最近の環境問題により、大気汚染の予測は世界中の研究者の目玉となっている。 汚染物質濃度を予測する際には、交通、気象条件、地理情報など、これらの濃度に影響を与える環境要因の影響を含めることが一般的である。 既存のアプローチのほとんどは、この情報を過去の共変量、すなわち汚染物質に影響を及ぼすが影響を受けない過去の外因性変数として利用している。 本稿では,NO$_2$濃度を過去の共変量と将来の共変量で予測する新しい予測手法を提案する。 将来のコバリアイトは天気予報や将来のカレンダーイベントによって表現される。 特に,地上監視局の都市規模ネットワークにおける大気質の観測を行い,データ構造をモデル化し,時空間グラフニューラルネットワーク(STGNN)を用いて予測を推定する。 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。 有意な時空間表現を抽出した後、これらを融合して予測水平線に投影し、最終的な予測を生成する。 我々の知る限りでは、将来の共変数が構造化された方法で時系列予測に含まれるのは初めてである。 注目すべきは、過去の交通状況を考えるよりも、将来の気象情報に対する条件付けの方が影響が大きいことである。 コード実装はhttps://github.com/polimi-ispl/MAGCRN.comで公開しています。

関連論文リスト

• A Framework for Evaluating PM2.5 Forecasts from the Perspective of Individual Decision Making [15.759815530683465]
  気候変動によって森林火災の頻度が増加し、大気汚染によって健康リスクが生じる。 我々は, 個別意思決定の文脈において, 大陸内における細かな物質(PM2.5)の既往の予測を評価した。
  論文  参考訳（メタデータ） (2024-09-09T17:59:54Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Data driven weather forecasts trained and initialised directly from observations [1.44556167750856]
  Skilful Machine Learned weather forecasts has challenged our approach to numerical weather prediction。 データ駆動システムは、過去の気象の長い歴史記録から学ぶことによって、将来の天気を予測するために訓練されている。 そこで我々は,ニューラルネットワークをトレーニングし,過去の観測から将来の天気を予測する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-22T12:23:26Z)
• Enhancing multivariate post-processed visibility predictions utilizing CAMS forecasts [0.0]
  天気予報には視界のアンサンブル予測が組み込まれている。 予測の信頼性と精度を高めるために、後処理が推奨される。 本研究は, 後処理後の予測が, 生・気候予測よりもかなり優れていることを確認した。
  論文  参考訳（メタデータ） (2024-06-20T09:57:49Z)
• Predicting Temperature of Major Cities Using Machine Learning and Deep Learning [0.0]
  我々は,大都市における気温変化を構成するデイトン大学が作成したデータベースを用いて,将来いつでも異なる都市の気温を予測する。 この文書には、このような予測を行うための方法論が含まれています。
  論文  参考訳（メタデータ） (2023-09-23T10:23:00Z)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。