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

• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• Predictive Modeling of Power Outages during Extreme Events: Integrating Weather and Socio-Economic Factors [0.4640835690336653]
  本稿では,極端な事象による停電を予測するための新しい学習基盤を提案する。 低確率、高頻度の停止シナリオをターゲットとし、公開データソースから派生した包括的な機能セットを活用する。 4つの機械学習モデル(Random Forest (RF), Support Vector Machine (SVM), Adaptive Boosting (AdaBoost), Long Short-Term Memory (LSTM))を評価した。
  論文  参考訳（メタデータ） (2025-12-27T20:30:07Z)
• Beyond the Hype: Comparing Lightweight and Deep Learning Models for Air Quality Forecasting [1.2744523252873352]
  本研究では,Facebook Prophet (FBP) とNeural Prophet (NP) の軽量付加モデルが,中国の北京で粒子状物質の競合予測を実現するかどうかを検討する。 複数年間の汚染物質および気象データを用いて,系統的特徴選択(相関,相互情報,mRMR),リークセーフスケーリング,時系列データ分割を適用した。 その結果, FBPはNP, SARIMAX, 学習ベースラインを一貫して上回り, 両方の汚染物質に対してR2$以上を達成できた。
  論文  参考訳（メタデータ） (2025-12-09T19:39:45Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• Extreme value forecasting using relevance-based data augmentation with deep learning models [3.503370263836711]
  本研究では,極値予測のためのデータ拡張フレームワークを提案する。 我々は、GANや合成マイノリティオーバーサンプリング技術(SMOTE)といったデータ拡張モデルと組み合わせて、ディープラーニングモデルを使用する。 以上の結果から,SMOTEをベースとした戦略は高い適応性を示し,短期・長期の予測における性能向上につながることが示唆された。
  論文  参考訳（メタデータ） (2025-10-02T06:10:27Z)
• 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)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• 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)
• To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
  大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。 本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。 第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
  論文  参考訳（メタデータ） (2023-05-22T17:02:15Z)
• 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。