論文の概要: Decade-long Emission Forecasting with an Ensemble Model in Taiwan

• arxiv url: http://arxiv.org/abs/2510.05548v1
• Date: Tue, 07 Oct 2025 03:24:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.083743
• Title: Decade-long Emission Forecasting with an Ensemble Model in Taiwan
• Title（参考訳）: 台湾におけるアンサンブルモデルによる数十年のエミッション予測
• Authors: Gordon Hung, Salinna Abdullah,
• Abstract要約: 本研究は,エミッション予測において最もよく使用される時系列モデルのうち21を比較検討した。 その中には、Feedforward Neural Network(FFNN)、SVM(Support Vector Machine)、Random Forest Regressor(RFR)などがある。 提案するアンサンブルモデルでは, オーバーフィッティングの兆候のない1.407のSMAPを達成できた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Taiwan's high population and heavy dependence on fossil fuels have led to severe air pollution, with the most prevalent greenhouse gas being carbon dioxide (CO2). There-fore, this study presents a reproducible and comprehensive case study comparing 21 of the most commonly employed time series models in forecasting emissions, analyzing both univariate and multivariate approaches. Among these, Feedforward Neural Network (FFNN), Support Vector Machine (SVM), and Random Forest Regressor (RFR) achieved the best performances. To further enhance robustness, the top performers were integrated with Linear Regression through a custom stacked generalization en-semble technique. Our proposed ensemble model achieved an SMAPE of 1.407 with no signs of overfitting. Finally, this research provides an accurate decade-long emission projection that will assist policymakers in making more data-driven decisions.
• Abstract（参考訳）: 台湾の人口が増加し、化石燃料に大きく依存しているため、大気汚染が深刻化しており、温室効果ガスは二酸化炭素(CO2)である。 そこで本研究では,一変量と多変量の両方のアプローチを解析し,最もよく使用される時系列モデルのうち21を再現可能かつ包括的に比較したケーススタディを提案する。 その中には、Feedforward Neural Network(FFNN)、SVM(Support Vector Machine)、Random Forest Regressor(RFR)などがある。 さらにロバスト性を高めるため、トップパフォーマーはカスタムスタックの一般化エンサンブル技術によって線形回帰と統合された。 提案するアンサンブルモデルでは, オーバーフィッティングの兆候のない1.407のSMAPを達成できた。 最後に、この研究は、政策立案者がよりデータ駆動的な決定を下すのを助ける、正確な10年にわたる排出予測を提供する。

関連論文リスト

• Multi-modal Adaptive Estimation for Temporal Respiratory Disease Outbreak [8.861941883057098]
  MAESTROは、スペクトル時間モデリングとマルチモーダルデータ融合を統合する、新しく統一されたフレームワークである。 香港の11年以上のデータから評価すると、MAESTRO は R-square 0.956 に適合する優れたモデルを実現している。 モジュラーで再現可能なパイプラインは、他の地域や病原体への展開と拡張を容易にするために公開されている。
  論文  参考訳（メタデータ） (2025-09-10T13:27:40Z)
• MVAR: MultiVariate AutoRegressive Air Pollutants Forecasting Model [18.785110680719235]
  既存の研究は主に単一汚染物質予測に焦点を合わせ、異なる汚染物質間の相互作用と様々な空間応答を無視している。 本稿では, 長期風速入力への依存性を低減させる多変量自動回帰空気汚染予測モデルを提案する。 我々は2018年から2023年まで、中国北75都市6大汚染物質を包括的データセットを構築し、ERA5の再分析データとFuXi-2.0予測データを含む。
  論文  参考訳（メタデータ） (2025-07-16T08:30:41Z)
• Unified Deep Learning Model for Global Prediction of Aboveground Biomass, Canopy Height and Cover from High-Resolution, Multi-Sensor Satellite Imagery [0.196629787330046]
  地表面バイオマス密度 (AGBD) , キャノピー高さ (CH) , キャノピー被覆 (CC) の予測を統一する深層学習モデルと10mのマルチセンサ・マルチスペクトル画像を用いた新しい手法を提案する。 GEDI-L2/L4を世界数百万のサンプルで測定し、2023年と2016年から2023年までの期間に全世界に展開することで、モデルの有効性を検証した。
  論文  参考訳（メタデータ） (2024-08-20T23:15:41Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• 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)
• 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)
• Advanced Deep Regression Models for Forecasting Time Series Oil Production [3.1383147856975633]
  本研究の目的は、逐次畳み込みと長寿命メモリ(LSTM)ユニットを用いた高度なデータ駆動回帰モデルを開発することである。 LSTMに基づくシーケンス学習モデルは,平均絶対誤差(MAE)とR2スコア(111.16点,0.98点)の1次元畳み込みニューラルネットワーク(CNN)よりも石油生産を予測できることがわかった。
  論文  参考訳（メタデータ） (2023-08-30T15:54:06Z)

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。