論文の概要: When Simpler Wins: Facebooks Prophet vs LSTM for Air Pollution Forecasting in Data-Constrained Northern Nigeria

• arxiv url: http://arxiv.org/abs/2508.16244v1
• Date: Fri, 22 Aug 2025 09:23:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.337184
• Title: When Simpler Wins: Facebooks Prophet vs LSTM for Air Pollution Forecasting in Data-Constrained Northern Nigeria
• Title（参考訳）: Facebookの預言者 vs. LSTM: ナイジェリア北部のデータ規制による大気汚染予測
• Authors: Habeeb Balogun, Yahaya Zakari,
• Abstract要約: 本研究では,複数汚染物質を予測するためのLong Short-Term Memory(LSTM)ネットワークとFacebook Prophetモデルを評価する。 その結果、預言者はしばしばLSTMの正確さ、特に季節的・長期的な傾向に支配されるシリーズにおいて一致または超えていることがわかった。
• 参考スコア（独自算出の注目度）: 0.44198435146063364
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Air pollution forecasting is critical for proactive environmental management, yet data irregularities and scarcity remain major challenges in low-resource regions. Northern Nigeria faces high levels of air pollutants, but few studies have systematically compared the performance of advanced machine learning models under such constraints. This study evaluates Long Short-Term Memory (LSTM) networks and the Facebook Prophet model for forecasting multiple pollutants (CO, SO2, SO4) using monthly observational data from 2018 to 2023 across 19 states. Results show that Prophet often matches or exceeds LSTM's accuracy, particularly in series dominated by seasonal and long-term trends, while LSTM performs better in datasets with abrupt structural changes. These findings challenge the assumption that deep learning models inherently outperform simpler approaches, highlighting the importance of model-data alignment. For policymakers and practitioners in resource-constrained settings, this work supports adopting context-sensitive, computationally efficient forecasting methods over complexity for its own sake.
• Abstract（参考訳）: 大気汚染の予測は積極的環境管理にとって重要であるが、低資源地域ではデータの不規則性と不足が大きな課題である。 ナイジェリア北部では大気汚染物質が高いが、そのような制約下での高度な機械学習モデルの性能を体系的に比較する研究はほとんどない。 本研究では,2018年から2023年までの月次観測データを用いて,LSTM(Long Short-Term Memory)ネットワークとFacebook Prophetモデルを用いて複数汚染物質(CO,SO2,SO4)の予測を行った。 その結果、預言者はしばしばLSTMの正確性、特に季節的・長期的な傾向に支配されるシリーズにおいて一致または超過していることが示され、LSTMは突然の構造変化を伴うデータセットにおいてより良いパフォーマンスを示す。 これらの知見は、ディープラーニングモデルが本質的により単純なアプローチより優れているという仮定に挑戦し、モデル・データアライメントの重要性を強調した。 資源制約のある環境における政策立案者や実践者にとって、この研究は、複雑性よりも文脈に敏感で、計算的に効率的な予測手法を採用することを支援する。

関連論文リスト

• Utilizing Strategic Pre-training to Reduce Overfitting: Baguan -- A Pre-trained Weather Forecasting Model [20.98899316909536]
  本研究では,サイムズオートエンコーダを事前学習した中距離気象予報モデルであるBaguanを紹介する。 実験の結果、バグア語は従来の手法よりも優れており、より正確な予測を提供することが示された。
  論文  参考訳（メタデータ） (2025-05-20T03:29:23Z)
• Accurate Prediction of Temperature Indicators in Eastern China Using a Multi-Scale CNN-LSTM-Attention model [0.0]
  マルチスケールの畳み込み型CNN-LSTM-Attentionアーキテクチャに基づく天気予報モデルを提案する。 このモデルは、畳み込みニューラルネットワーク(CNN)、Long Short-Term Memory(LSTM)ネットワーク、およびアテンションメカニズムを統合している。 実験結果から, モデルが高精度に温度変動を予測できることが示唆された。
  論文  参考訳（メタデータ） (2024-12-11T00:42:31Z)
• PIAD-SRNN: Physics-Informed Adaptive Decomposition in State-Space RNN [1.3654846342364306]
  時系列予測は、精度と効率のトレードオフを要求することが多い。 物理インフォームド適応分解状態空間RNNであるPIAD-SRNNを提案する。 屋内空気質データセットにおけるPIAD-SRNNの性能評価を行った。
  論文  参考訳（メタデータ） (2024-12-01T22:55:58Z)
• Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
  本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-19T03:38:53Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Stream-Flow Forecasting of Small Rivers Based on LSTM [3.921808417990452]
  本稿では,Long-Short Term Memory(LSTM)ディープラーニングモデルを用いて,予測を行う新しい手法を提案する。 本研究は,中国湖西省の1つの水文局の河川流量データと,周辺11の降雨局の降水データを収集し,河川流量データの予測を行った。 平均二乗誤差(RMSE)、平均絶対誤差(MAE)、判定係数(R2)の3つの基準を用いて予測結果を評価した。
  論文  参考訳（メタデータ） (2020-01-16T07:14:32Z)

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。