論文の概要: Indoor PM2.5 forecasting and the association with outdoor air pollution: a modelling study based on sensor data in Australia
- arxiv url: http://arxiv.org/abs/2405.07404v1
- Date: Mon, 13 May 2024 00:51:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-14 15:04:30.346750
- Title: Indoor PM2.5 forecasting and the association with outdoor air pollution: a modelling study based on sensor data in Australia
- Title(参考訳): 室内PM2.5予測と屋外大気汚染との関連性:オーストラリアにおけるセンサデータに基づくモデル化研究
- Authors: Wenhua Yu, Bahareh Nakisa, Seng W. Loke, Svetlana Stevanovic, Yuming Guo, Mohammad Naim Rastgoo,
- Abstract要約: 本研究は, オーストラリアの24の異なる建物において, 毎時室内微粒子物質(PM2.5)濃度を予測することを目的とする。
室内空気質データは、2019年から2022年までの8都市で91個の監視センサーから収集された。
屋外PM2.5濃度は室内の空気質に大きな影響を与え、特に森林火災などのイベントでは顕著であった。
- 参考スコア(独自算出の注目度): 8.864955783255803
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Exposure to poor indoor air quality poses significant health risks, necessitating thorough assessment to mitigate associated dangers. This study aims to predict hourly indoor fine particulate matter (PM2.5) concentrations and investigate their correlation with outdoor PM2.5 levels across 24 distinct buildings in Australia. Indoor air quality data were gathered from 91 monitoring sensors in eight Australian cities spanning 2019 to 2022. Employing an innovative three-stage deep ensemble machine learning framework (DEML), comprising three base models (Support Vector Machine, Random Forest, and eXtreme Gradient Boosting) and two meta-models (Random Forest and Generalized Linear Model), hourly indoor PM2.5 concentrations were predicted. The model's accuracy was evaluated using a rolling windows approach, comparing its performance against three benchmark algorithms (SVM, RF, and XGBoost). Additionally, a correlation analysis assessed the relationship between indoor and outdoor PM2.5 concentrations. Results indicate that the DEML model consistently outperformed benchmark models, achieving an R2 ranging from 0.63 to 0.99 and RMSE from 0.01 to 0.663 mg/m3 for most sensors. Notably, outdoor PM2.5 concentrations significantly impacted indoor air quality, particularly evident during events like bushfires. This study underscores the importance of accurate indoor air quality prediction, crucial for developing location-specific early warning systems and informing effective interventions. By promoting protective behaviors, these efforts contribute to enhanced public health outcomes.
- Abstract(参考訳): 室内空気質の悪さは重大な健康リスクをもたらし、関連する危険を緩和するために徹底的な評価を必要とする。
本研究は, オーストラリアの24の建物において, 毎時室内微粒子物質(PM2.5)濃度を予測し, 屋外PM2.5濃度との相関について検討することを目的とする。
室内空気質データは、2019年から2022年までの8都市で91個の監視センサーから収集された。
3つのベースモデル(Support Vector Machine, Random Forest, eXtreme Gradient Boosting)と2つのメタモデル(Random Forest, Generalized Linear Model)からなる3段階深層学習フレームワーク(DEML)を用いて, 時間内PM2.5濃度を予測した。
このモデルの精度は、その性能を3つのベンチマークアルゴリズム(SVM、RF、XGBoost)と比較し、ローリングウインドウアプローチを用いて評価した。
さらに,室内PM2.5濃度と屋外PM2.5濃度の相関分析を行った。
結果は、DEMLモデルはベンチマークモデルよりも一貫して優れており、ほとんどのセンサーで0.63から0.99までのR2と0.01から0.663mg/m3までのRMSEを実現していることを示している。
特に屋外PM2.5濃度が室内の空気質に大きく影響した。
本研究は, 室内空気質の正確な予測の重要性, 位置特定早期警報システムの開発, 効果的な介入の実施に不可欠であることを示す。
保護行動の促進により、これらの取り組みは公衆衛生の成果の向上に寄与する。
関連論文リスト
- Solar Active Regions Emergence Prediction Using Long Short-Term Memory
Networks [44.99833362998488]
太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。
音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。
これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
論文 参考訳(メタデータ) (2024-09-25T23:09:46Z) - A Framework for Scalable Ambient Air Pollution Concentration Estimation [0.0]
英国では大気汚染が重要な問題であり、大気汚染濃度のデータが大気質の改善を目的とした介入の基礎となっている。
欠落した測度を埋めることにより,時間的・空間的データギャップに対処するデータ駆動型機械学習モデルフレームワークを提案する。
このアプローチは、2018年を通してイングランドの包括的なデータセットを1kmx1kmの時間分解能で提供する。
論文 参考訳(メタデータ) (2024-01-16T18:03:07Z) - 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) - FuXi: A cascade machine learning forecasting system for 15-day global
weather forecast [34.812266901884996]
FuXiは、時間分解能6時間、空間分解能0.25度で世界15日間の天気予報を提供する機械学習天気予報システムである。
FuXiは15日間の予測でECMWF EMと同等の性能を示しており、この達成を達成したMLベースの天気予報システムとしては初めてのものである。
論文 参考訳(メタデータ) (2023-06-22T13:34:26Z) - WF-UNet: Weather Fusion UNet for Precipitation Nowcasting [4.213427823201119]
ヨーロッパ西部の降水量計におけるUNetコアモデルの利用とその拡張について, 最大3時間前に検討した。
我々は2016年1月から2021年12月までの6年間の降水と風のレーダー画像を収集しました。
WF-UNetは、それぞれ22%、8%、6%の低いMSEを1,2,3時間で比較した。
論文 参考訳(メタデータ) (2023-02-08T14:50:52Z) - Deep Learning-based Non-Intrusive Multi-Objective Speech Assessment Model with Cross-Domain Features [31.59528815233441]
我々はMOSA-Netと呼ばれるクロスドメイン多目的音声アセスメントモデルを提案し、同時に複数の音声アセスメント指標を推定できる。
実験の結果, 音声品質(PESQ)予測の知覚評価において, MOSA-Net は線形相関係数 (LCC) を 0.026 (0.990 vs 0.964) と 0.012 (0.969 vs 0.957) で改善できることがわかった。
論文 参考訳(メタデータ) (2021-11-03T17:30:43Z) - 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) - Evaluation of Time Series Forecasting Models for Estimation of PM2.5
Levels in Air [0.0]
この研究では、環境中のPM2.5濃度を推定するために、ARIMA、FBProphet、LSTM、1D CNNなどのディープラーニングモデルを採用する。
予測結果から,すべての手法が平均根平均二乗誤差で比較結果を与えることがわかった。
論文 参考訳(メタデータ) (2021-04-07T16:24:39Z) - Deep-AIR: A Hybrid CNN-LSTM Framework for Air Quality Modeling in
Metropolitan Cities [28.233460564726034]
Deep-AIRは、畳み込みニューラルネットワークと長期記憶ネットワークを組み合わせた、新しいハイブリッドディープラーニングフレームワークである。
提案手法は,大気汚染と都市動態の特徴の相互相互作用の学習を強化するために,1x1畳み込み層を生成する。
香港では, 67.6%, 77.2%, 66.1%の精度, 1時間, 24時間大気汚染予測, 65.0%, 75.3%, 63.5%の精度を達成した。
論文 参考訳(メタデータ) (2021-03-25T13:47:56Z) - A Novel CMAQ-CNN Hybrid Model to Forecast Hourly Surface-Ozone
Concentrations Fourteen Days in Advance [0.19573380763700707]
現在利用可能な空気質予測のための数値モデリングシステムは、事前に24時間から48時間予測することができる。
畳み込みニューラルネットワーク(CNN)モデルに基づくモデリングシステムを開発した。
本研究の主な目的は, オゾン濃度の時間変動の予測であるが, その他の汚染物質にも適用可能である。
論文 参考訳(メタデータ) (2020-08-13T16:02:05Z) - Analytical Equations based Prediction Approach for PM2.5 using
Artificial Neural Network [0.0]
粒子状物質(PM2.5)は大気質指数(AQI)を測定する重要な粒子状汚染物質の一つである。
PM2.5をモニターするために空気質監視局が使用する従来の機器は、コストが高く、かさばる、時間を消費し、電力を消費する。
本稿では,ニューラルネットワーク(ANN)を用いたPM2.5の解析式に基づく予測手法を提案する。
論文 参考訳(メタデータ) (2020-02-26T11:39:18Z)
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。