論文の概要: Long-Term PM2.5 Forecasting Using a DTW-Enhanced CNN-GRU Model

• arxiv url: http://arxiv.org/abs/2510.22863v1
• Date: Sun, 26 Oct 2025 23:04:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.397877
• Title: Long-Term PM2.5 Forecasting Using a DTW-Enhanced CNN-GRU Model
• Title（参考訳）: DTW強化CNN-GRUモデルを用いたPM2.5長期予測
• Authors: Amirali Ataee Naeini, Arshia Ataee Naeini, Fatemeh Karami Mohammadi, Omid Ghaffarpasand,
• Abstract要約: PM2.5濃度の長期予測は、公衆衛生早期警戒システムにとって重要である。 既存のディープラーニングアプローチは、48時間を超えて予測安定性を維持するのに苦労している。 本稿では,知的ステーション類似度選択のためのDTWとCNN-GRUアーキテクチャを組み合わせたフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable long-term forecasting of PM2.5 concentrations is critical for public health early-warning systems, yet existing deep learning approaches struggle to maintain prediction stability beyond 48 hours, especially in cities with sparse monitoring networks. This paper presents a deep learning framework that combines Dynamic Time Warping (DTW) for intelligent station similarity selection with a CNN-GRU architecture to enable extended-horizon PM2.5 forecasting in Isfahan, Iran, a city characterized by complex pollution dynamics and limited monitoring coverage. Unlike existing approaches that rely on computationally intensive transformer models or external simulation tools, our method integrates three key innovations: (i) DTW-based historical sampling to identify similar pollution patterns across peer stations, (ii) a lightweight CNN-GRU architecture augmented with meteorological features, and (iii) a scalable design optimized for sparse networks. Experimental validation using multi-year hourly data from eight monitoring stations demonstrates superior performance compared to state-of-the-art deep learning methods, achieving R2 = 0.91 for 24-hour forecasts. Notably, this is the first study to demonstrate stable 10-day PM2.5 forecasting (R2 = 0.73 at 240 hours) without performance degradation, addressing critical early-warning system requirements. The framework's computational efficiency and independence from external tools make it particularly suitable for deployment in resource-constrained urban environments.
• Abstract（参考訳）: PM2.5濃度の信頼性の高い長期予測は、公衆衛生早期警戒システムにとって重要であるが、既存のディープラーニングアプローチは、特に疎い監視ネットワークを持つ都市において、48時間を超えて予測安定性を維持するのに苦労している。 本稿では, イランのイスファハン市における大規模PM2.5予測を実現するため, 知的ステーション類似度選択とCNN-GRUアーキテクチャを併用した動的時間温暖化(DTW)の深層学習フレームワークを提案する。 計算集約的なトランスフォーマーモデルや外部シミュレーションツールに依存する既存のアプローチとは異なり、我々の手法は3つの重要なイノベーションを統合している。 一 ピアステーション間で類似した汚染パターンを特定するためのDTWに基づく履歴サンプリング (II)気象特性を付加した軽量CNN-GRUアーキテクチャ (iii)スパースネットワークに最適化されたスケーラブルな設計。 8つの監視局の複数時間データを用いた実験検証は、24時間予測のR2=0.91を達成し、最先端のディープラーニング手法よりも優れた性能を示す。 特に、この研究は10日間のPM2.5予測(R2 = 0.73 at 240時間)をパフォーマンスを低下させることなく、重要な早期警戒システム要件に対処する最初の研究である。 このフレームワークの計算効率と外部ツールからの独立性は、特に資源に制約のある都市環境への展開に適している。

関連論文リスト

• 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)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Dual-Path Enhancements in Event-Based Eye Tracking: Augmented Robustness and Adaptive Temporal Modeling [0.0]
  イベントベースのアイトラッキングは、拡張現実と人間とコンピュータのインタラクションにとって重要な技術となっている。 既存の方法は、突然の眼球運動や環境騒音といった現実的な課題に苦しむ。 まず、時間シフト、空間的フリップ、イベント削除を組み込んだ堅牢なデータ拡張パイプラインにより、モデルのレジリエンスが向上する。 2つ目は、空間的特徴抽出のための効率的なNet-B3バックボーン、文脈時空間モデリングのための双方向GRU、線形時変状態空間モジュールを組み合わせたハイブリッドアーキテクチャであるKnightPupilを提案する。
  論文  参考訳（メタデータ） (2025-04-14T07:57:22Z)
• BiDepth: A Bidirectional-Depth Neural Network for Spatio-Temporal Prediction [4.263291797886899]
  本稿では,2つの重要なイノベーションを統合したBiDepth Multimodal Neural Network (BDMNN)を提案する。 BDMNNは長期の季節と短期の出来事の両方を捉えている。 CSACは、標準的な畳み込み層と同様に、ネットワーク全体の重要な空間関係を維持するように設計されている。
  論文  参考訳（メタデータ） (2025-01-14T19:59:59Z)
• Spatio-Temporal Forecasting of PM2.5 via Spatial-Diffusion guided Encoder-Decoder Architecture [9.955223104442755]
  本稿では,PM2.5濃度の予測に係わる依存関係を具体的に把握するS-Temporal Graph Networkアーキテクチャを提案する。 本モデルは,グラフニューラルネットワーク(Transformerv)を付加した再帰単位(GRU)を利用して空間拡散を考慮したエンコーダ・デコーダアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2024-12-18T15:18:12Z)
• Advancing operational PM2.5 forecasting with dual deep neural networks (D-DNet) [0.3848364262836075]
  本稿では,リアルタイム観測を効率的に統合するD-DNet予測とデータ同化システムを提案する。 D-DNetはPM2.5とAOD550のグローバルな運用予測に優れており、2019年全体を通して一貫した精度を維持している。 これは、Copernicus Atmosphere Monitoring Service (CAMS) 4D-Varの運用予測システムよりも明らかに高い効率を示す。
  論文  参考訳（メタデータ） (2024-06-27T13:14:20Z)
• 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)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)

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。