論文の概要: Air Quality Prediction Using LOESS-ARIMA and Multi-Scale CNN-BiLSTM with Residual-Gated Attention
- arxiv url: http://arxiv.org/abs/2510.22818v1
- Date: Sun, 26 Oct 2025 20:18:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 15:28:15.377244
- Title: Air Quality Prediction Using LOESS-ARIMA and Multi-Scale CNN-BiLSTM with Residual-Gated Attention
- Title（参考訳）: 残留ゲート型CNN-BiLSTMとLOESS-ARIMAを用いた大気質予測
- Authors: Soham Pahari, Sandeep Chand Kumain,
- Abstract要約: 本稿では,LOESS分解,ARIMAモデリング,および残差対応型アテンション機構を備えたマルチスケールCNN-BiLSTMネットワークを統合したハイブリッド予測フレームワークを提案する。
中央公害管理委員会による2021-2023 AQIデータセットの実験は,提案手法が統計的,深層学習,ハイブリッドベースラインを一貫して上回ることを示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Air pollution remains a critical environmental and public health concern in Indian megacities such as Delhi, Kolkata, and Mumbai, where sudden spikes in pollutant levels challenge timely intervention. Accurate Air Quality Index (AQI) forecasting is difficult due to the coexistence of linear trends, seasonal variations, and volatile nonlinear patterns. This paper proposes a hybrid forecasting framework that integrates LOESS decomposition, ARIMA modeling, and a multi-scale CNN-BiLSTM network with a residual-gated attention mechanism. The LOESS step separates the AQI series into trend, seasonal, and residual components, with ARIMA modeling the smooth components and the proposed deep learning module capturing multi-scale volatility in the residuals. Model hyperparameters are tuned via the Unified Adaptive Multi-Stage Metaheuristic Optimizer (UAMMO), combining multiple optimization strategies for efficient convergence. Experiments on 2021-2023 AQI datasets from the Central Pollution Control Board show that the proposed method consistently outperforms statistical, deep learning, and hybrid baselines across PM2.5, O3, CO, and NOx in three major cities, achieving up to 5-8% lower MSE and higher R^2 scores (>0.94) for all pollutants. These results demonstrate the framework's robustness, sensitivity to sudden pollution events, and applicability to urban air quality management.
- Abstract（参考訳）: 大気汚染は、デリー、コルカタ、ムンバイのようなインドのメガシティーにとって重要な環境と公衆衛生上の問題であり続けている。
線形トレンド,季節変動,揮発性非線形パターンの共存により,AQI予測の精度は困難である。
本稿では,LOESS分解,ARIMAモデリング,および残差対応型アテンション機構を備えたマルチスケールCNN-BiLSTMネットワークを統合したハイブリッド予測フレームワークを提案する。
LOESSのステップは、AQIシリーズを、スムーズなコンポーネントをモデリングしたARIMAと、残余のマルチスケールのボラティリティをキャプチャしたディープラーニングモジュールで、トレンド、季節、残留コンポーネントに分離する。
UAMMO(Unified Adaptive Multi-Stage Metaheuristic Optimizer)によってモデルハイパーパラメータを調整し、効率的な収束のための複数の最適化戦略を組み合わせる。
中央公害管理委員会による2021-2023 AQIデータセット実験により, 提案手法は, PM2.5, O3, CO, NOxの3大都市において, 統計, 深層学習, ハイブリッドベースラインを連続的に上回り, 最大5～8%のMSE, 高いR^2スコア (>0.94) を達成した。
これらの結果は、このフレームワークの堅牢性、突然の汚染イベントに対する感受性、および都市大気の質管理への適用性を示している。
関連論文リスト
- Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。
大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。
本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
論文 参考訳（メタデータ） (2025-10-08T10:09:47Z) - When Simpler Wins: Facebooks Prophet vs LSTM for Air Pollution Forecasting in Data-Constrained Northern Nigeria [0.44198435146063364]
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。
論文 参考訳（メタデータ） (2025-08-22T09:23:59Z) - Air Quality PM2.5 Index Prediction Model Based on CNN-LSTM [0.2796197251957245]
ハイブリッドCNN-LSTMアーキテクチャに基づく空気品質PM2.5指数予測モデルを提案する。
このモデルは、局所空間特徴抽出のための畳み込みニューラルネットワーク(CNN)と、時系列データにおける時間的依存関係をモデル化するためのLong Short-Term Memory(LSTM)ネットワークを効果的に組み合わせている。
実験の結果,5.236の根平均二乗誤差(RMSE)が得られた。
論文 参考訳（メタデータ） (2025-08-15T04:46:25Z) - WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。
WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。
私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-07-23T16:02:06Z) - 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) - FuXi-Air: Urban Air Quality Forecasting Based on Emission-Meteorology-Pollutant multimodal Machine Learning [22.270124698874934]
高精度な空気質予測を支援するために,マルチモーダルデータ融合に基づく空気質予測モデルFuXi-Airを構築した。
このモデルでは、主要な大気汚染物質6種の72時間の予測を、25～30秒以内に複数の監視地点で時間分解能で完了させることに成功した。
論文 参考訳（メタデータ） (2025-06-09T10:27:50Z) - A HEART for the environment: Transformer-Based Spatiotemporal Modeling for Air Quality Prediction [0.0]
ルル環境は高度でスケーラブルな大気汚染予測システムである。
エンコーダとデコーダの畳み込みニューラルネットワークを含み、4つの主要な汚染物質の平均汚染レベルを予測する。
本稿では,予測精度を向上させるための注意機構を備えたニューラルネットワークの強化について検討する。
論文 参考訳（メタデータ） (2025-02-26T10:54:27Z) - On Continual Model Refinement in Out-of-Distribution Data Streams [64.62569873799096]
現実世界の自然言語処理(NLP)モデルは、アウト・オブ・ディストリビューション(OOD)データストリームの予測エラーを修正するために、継続的に更新する必要がある。
既存の継続学習(CL)問題設定は、そのような現実的で複雑なシナリオをカバーできない。
連続モデル改良(CMR)と呼ばれる新しいCL問題定式化を提案する。
論文 参考訳（メタデータ） (2022-05-04T11:54:44Z) - Federated Learning in the Sky: Aerial-Ground Air Quality Sensing
Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。
本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。
地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文 参考訳（メタデータ） (2020-07-23T13:32:47Z) - Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner
Party Transcription [73.66530509749305]
本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。
CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。
RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
論文 参考訳（メタデータ） (2020-04-22T19:08:33Z)
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。