論文の概要: Air in Your Neighborhood: Fine-Grained AQI Forecasting Using Mobile Sensor Data

• arxiv url: http://arxiv.org/abs/2506.10332v1
• Date: Thu, 12 Jun 2025 03:45:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.560513
• Title: Air in Your Neighborhood: Fine-Grained AQI Forecasting Using Mobile Sensor Data
• Title（参考訳）: 近所の空気:モバイルセンサーデータを用いた微粒なAQI予測
• Authors: Aaryam Sharma,
• Abstract要約: 本研究では,AirDelhiデータセットの例を用いて,1km2地区のAQIを予測する。 従来の71.654 MSEを79%削減しました。 強い反復的短期パターンの存在や空間的関係の変化など,AQIに関する新たな知見も発見されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Air pollution has become a significant health risk in developing countries. While governments routinely publish air-quality index (AQI) data to track pollution, these values fail to capture the local reality, as sensors are often very sparse. In this paper, we address this gap by predicting AQI in 1 km^2 neighborhoods, using the example of AirDelhi dataset. Using Spatio-temporal GNNs we surpass existing works by 71.654 MSE a 79% reduction, even on unseen coordinates. New insights about AQI such as the existence of strong repetitive short-term patterns and changing spatial relations are also discovered. The code is available on GitHub.
• Abstract（参考訳）: 大気汚染は発展途上国において重大な健康リスクとなっている。 政府は大気質指数(AQI)データを定期的に公開し、大気汚染を追跡するが、これらの値は現地の現実を捉えない。 本稿では,AirDelhiデータセットの例を用いて,AQIを1km^2地区で予測することで,このギャップに対処する。 時空間GNNを使用すれば、未確認座標であっても、既存の71.654 MSEを79%削減できる。 強い反復的短期パターンの存在や空間的関係の変化など,AQIに関する新たな知見も発見されている。 コードはGitHubで入手できる。

関連論文リスト

• AirCast: Improving Air Pollution Forecasting Through Multi-Variable Data Alignment [46.56288727659417]
  大気汚染は、急速な工業化と都市化によって悪化する世界的な健康リスクの先駆けである。 本稿では,新しい多変量大気汚染予測モデルであるAirCastを紹介する。 AirCastは、大気条件と汚染物質濃度を同時に予測するマルチタスクヘッドアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2025-02-25T07:34:18Z)
• Predictive Modelling of Air Quality Index (AQI) Across Diverse Cities and States of India using Machine Learning: Investigating the Influence of Punjab's Stubble Burning on AQI Variability [0.5266869303483376]
  この研究は大気中の異なる大気汚染物質濃度に基づいてAQIを予測した。 このデータセットは、デリー、ハリアナ、パンジャーブの各都市で22の異なる観測所から空気汚染物質濃度を計測する。 CatBoost、XGBoost、Random Forest、SVM回帰器、時系列モデルSARIMAX、ディープラーニングモデルLSTMといったMLモデルは、AQIを予測するために使用されている。
  論文  参考訳（メタデータ） (2024-04-11T05:03:40Z)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  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。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• Gaussian Processes for Monitoring Air-Quality in Kampala [3.173497841606415]
  本研究では,センサが存在しない場所での現在の大気汚染を予測し,センサ位置で将来の大気汚染を予測するためのガウス過程の活用について検討する。 私たちは、AirQoのセンサーネットワークのデータを使って、ウガンダのカンパラ市に焦点を当てています。
  論文  参考訳（メタデータ） (2023-11-28T09:25:23Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• Managing Large Dataset Gaps in Urban Air Quality Prediction: DCU-Insight-AQ at MediaEval 2022 [2.0796717061432006]
  我々は,AQIが今後1日,5日,7日で予測される大気質データのギャップフィリングに注目した。 シナリオでは、1つまたは複数の空気、天気予報センサーがオフラインにあり、予測精度を調査する。
  論文  参考訳（メタデータ） (2022-12-19T16:53:16Z)
• Predicting air quality via multimodal AI and satellite imagery [0.2492060267829796]
  本稿では,監視局が存在しない空気質指標を予測するためのマルチモーダル機械学習モデルを提案する。 欧州大気汚染監視局(ESA Copernicus)プロジェクトからtextitaltitude, population, etc.$などの機能を備えた新しい欧州汚染監視局(ECA)のデータセットが作成されている。 これらの予測は、異なる地域における空気の質を比較するのに使用できる「空気品質指標」を作成するために集約される。
  論文  参考訳（メタデータ） (2022-11-01T22:56:15Z)

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。