論文の概要: Lightweight ML-Based Air Quality Prediction for IoT and Embedded Applications

• arxiv url: http://arxiv.org/abs/2511.21857v1
• Date: Wed, 26 Nov 2025 19:31:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.265233
• Title: Lightweight ML-Based Air Quality Prediction for IoT and Embedded Applications
• Title（参考訳）: IoTおよび組み込みアプリケーションのための軽量MLによる空気質予測
• Authors: Md. Sad Abdullah Sami, Mushfiquzzaman Abid,
• Abstract要約: 本研究では,XGBoost回帰モデルの2つの変種の有効性と効率について検討した。 完全なXGBoostモデルは両方の汚染物質に対して優れた予測精度を達成したが、小さなモデルはわずかに正確ではないが、かなりの計算上の利点をもたらした。 これにより、IoTおよび組み込みアプリケーションにおけるリアルタイムの空気品質監視に適した、小さなXGBoostモデルが実現される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study investigates the effectiveness and efficiency of two variants of the XGBoost regression model, the full-capacity and lightweight (tiny) versions, for predicting the concentrations of carbon monoxide (CO) and nitrogen dioxide (NO2). Using the AirQualityUCI dataset collected over one year in an urban environment, we conducted a comprehensive evaluation based on widely accepted metrics, including Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Mean Bias Error (MBE), and the coefficient of determination (R2). In addition, we assessed resource-oriented metrics such as inference time, model size, and peak RAM usage. The full XGBoost model achieved superior predictive accuracy for both pollutants, while the tiny model, though slightly less precise, offered substantial computational benefits with significantly reduced inference time and model storage requirements. These results demonstrate the feasibility of deploying simplified models in resource-constrained environments without compromising predictive quality. This makes the tiny XGBoost model suitable for real-time air-quality monitoring in IoT and embedded applications.
• Abstract（参考訳）: 本研究では,一酸化炭素 (CO) と二酸化窒素 (NO2) の濃度を予測するために,XGBoost回帰モデル,フルキャパシティと軽量 (ティニー) モデルの2つの変種の有効性と効率について検討した。 都市環境下で1年以上に渡り収集されたAirQualityUCIデータセットを用いて,平均絶対誤差(MAE),ルート平均角誤差(RMSE),平均バイアス誤差(MBE),判定係数(R2)など,広く受け入れられている指標に基づいて総合的な評価を行った。 さらに、推測時間、モデルサイズ、ピークRAM使用量などのリソース指向メトリクスを評価した。 完全なXGBoostモデルは両方の汚染物質に対して優れた予測精度を達成したが、小さなモデルはわずかに精度が低いものの、推論時間とモデル記憶要求を著しく短縮した計算上の利点を提供した。 これらの結果は、予測品質を損なうことなく、資源制約された環境に単純化されたモデルをデプロイできる可能性を示している。 これにより、IoTおよび組み込みアプリケーションにおけるリアルタイムの空気品質監視に適した、小さなXGBoostモデルが実現される。

関連論文リスト

• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Deep Learning-Enhanced for Amine Emission Monitoring and Performance Analysis in Industrial Carbon Capture Plants [0.6533091401094101]
  本研究では, 燃焼後炭素捕獲システムにおいて, アミン排出量の予測とモニタリングのためのデータ駆動深層学習モデルと, 主要な性能パラメータについて述べる。 放射予測のために、2-アミノ-2-メチル-1-プロパノール(AMP)とピペラジンの放射をFTIRおよびIMR-MS法で測定するモデルが設計された。 これらのモデルは99%を超える高い予測精度を達成し、安定した傾向と急激な変動の両方を効果的に追跡した。
  論文  参考訳（メタデータ） (2025-09-05T16:57:54Z)
• Graph-Based Physics-Guided Urban PM2.5 Air Quality Imputation with Constrained Monitoring Data [7.076209890890611]
  この研究はグラフベースの物理誘導学習フレームワークであるGraPhyを紹介した。 カリフォルニアの社会経済的に不利なサンホアキン・バレーのデータを用いた実験では、GraPhyは平均二乗誤差(MSE)、平均絶対誤差(MAE)、R-二乗値(R2)で評価された全体的な最高の性能を達成し、様々なベースラインモデルと比較してパフォーマンスを9%から56%改善した。
  論文  参考訳（メタデータ） (2025-06-07T20:33:52Z)
• Advancing Air Quality Monitoring: TinyML-Based Real-Time Ozone Prediction with Cost-Effective Edge Devices [0.0]
  本稿では, オゾン濃度をリアルタイムに予測する新しいTinyMLシステムを提案する。 このシステムはArduino Nano 33 BLE Senseマイクロコントローラを使用し、一酸化炭素(CO)検出のためのMQ7センサーと温度と圧力測定のための内蔵センサーを備えている。
  論文  参考訳（メタデータ） (2025-04-03T10:48:24Z)
• Ultra-Resolution Adaptation with Ease [62.56434979517156]
  我々は,EmphURAEと呼ばれる超高分解能適応のための重要なガイドラインのセットを提案する。 重み行列の小さな成分のチューニングは、合成データが利用できない場合に広く使用される低ランクアダプタよりも優れていることを示す。 URAEは、FLUX1.1[Pro] Ultraのような最先端のクローズドソースモデルに匹敵する2K世代の性能を達成している。
  論文  参考訳（メタデータ） (2025-03-20T16:44:43Z)
• Can Deep Learning Trigger Alerts from Mobile-Captured Images? [0.0594961162060159]
  本研究は,データ拡張手法の検証,大気質予測のためのCNNに基づく回帰モデリング,モバイル技術によるユーザ中心の大気質モニタリングに寄与する。 提案システムは,個人が情報的環境衛生と幸福な意思決定を行うための実践的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-01-07T03:39:43Z)
• Air Quality Forecasting Using Machine Learning: A Global perspective with Relevance to Low-Resource Settings [0.0]
  大気汚染は世界第4位の死因である。 本研究では,2ヶ月の空気質データを用いた高精度な空気質予測のための新しい機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-09T05:52:02Z)
• Sampling is as easy as learning the score: theory for diffusion models with minimal data assumptions [45.04514545004051]
  スコアベース生成モデル(SGM)に対する収束保証を提供する。 また、臨界減衰ランゲヴィン拡散(CLD)に基づくSGMについても検討する。
  論文  参考訳（メタデータ） (2022-09-22T17:55:01Z)
• 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)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。