論文の概要: STeP-Diff: Spatio-Temporal Physics-Informed Diffusion Models for Mobile Fine-Grained Pollution Forecasting
- arxiv url: http://arxiv.org/abs/2512.04385v1
- Date: Thu, 04 Dec 2025 02:17:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-05 21:11:45.953927
- Title: STeP-Diff: Spatio-Temporal Physics-Informed Diffusion Models for Mobile Fine-Grained Pollution Forecasting
- Title（参考訳）: STeP-Diff:移動型微粒汚染予測のための時空間物理インフォームド拡散モデル
- Authors: Nan Zhou, Weijie Hong, Huandong Wang, Jianfeng Zheng, Qiuhua Wang, Yali Song, Xiao-Ping Zhang, Yong Li, Xinlei Chen,
- Abstract要約: 大気汚染予測は、都市管理と健全な建物の開発に不可欠である。
車やバスなどのモバイルプラットフォームにポータブルセンサーをデプロイすることで、低コストで、メンテナンスが容易で、広範なデータ収集ソリューションを提供する。
これらの非専用モバイルプラットフォームのランダムかつ制御不能な動きパターンのため、結果として得られるセンサデータは不完全であり、時間的に矛盾することが多い。
- 参考スコア（独自算出の注目度）: 42.05696072296056
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fine-grained air pollution forecasting is crucial for urban management and the development of healthy buildings. Deploying portable sensors on mobile platforms such as cars and buses offers a low-cost, easy-to-maintain, and wide-coverage data collection solution. However, due to the random and uncontrollable movement patterns of these non-dedicated mobile platforms, the resulting sensor data are often incomplete and temporally inconsistent. By exploring potential training patterns in the reverse process of diffusion models, we propose Spatio-Temporal Physics-Informed Diffusion Models (STeP-Diff). STeP-Diff leverages DeepONet to model the spatial sequence of measurements along with a PDE-informed diffusion model to forecast the spatio-temporal field from incomplete and time-varying data. Through a PDE-constrained regularization framework, the denoising process asymptotically converges to the convection-diffusion dynamics, ensuring that predictions are both grounded in real-world measurements and aligned with the fundamental physics governing pollution dispersion. To assess the performance of the system, we deployed 59 self-designed portable sensing devices in two cities, operating for 14 days to collect air pollution data. Compared to the second-best performing algorithm, our model achieved improvements of up to 89.12% in MAE, 82.30% in RMSE, and 25.00% in MAPE, with extensive evaluations demonstrating that STeP-Diff effectively captures the spatio-temporal dependencies in air pollution fields.
- Abstract（参考訳）: 大気汚染の予測は、都市管理と健全な建物の開発に不可欠である。
車やバスといったモバイルプラットフォームにポータブルなセンサーを配置することで、低コストでメンテナンスが容易で広範なデータ収集ソリューションを提供する。
しかし、これらの非専用モバイルプラットフォームのランダムかつ制御不能な動きパターンのため、結果として得られるセンサデータは不完全であり、時間的に矛盾することが多い。
拡散モデルの逆過程における潜在的なトレーニングパターンを探索することにより、時空間物理情報拡散モデル(STeP-Diff)を提案する。
STeP-DiffはDeepONetを利用して、PDEインフォームド拡散モデルとともに測定の空間列をモデル化し、不完全データと時間変化データから時空間の時空間場を予測する。
PDE制約された正規化フレームワークを通じて、デノナイジングプロセスは漸近的に対流拡散力学に収束し、予測が実世界の測定に基礎を置いており、大気汚染を規制する基礎物理学と一致していることを保証する。
システムの性能を評価するため, 59個の自設計の携帯型センサを2つの都市に展開し, 大気汚染データ収集に14日間を費やした。
その結果, 大気汚染領域の時空間依存性を効果的に把握できることが広く評価され, 本モデルではMAEの89.12%, RMSEの82.30%, MAPEの25.00%の改善が達成された。
関連論文リスト
- Which Layer Causes Distribution Deviation? Entropy-Guided Adaptive Pruning for Diffusion and Flow Models [77.55829017952728]
EntPrunerは、拡散およびフローモデルのためのエントロピー誘導自動プログレッシブプルーニングフレームワークである。
DiTモデルとSiTモデルの実験はEntPrunerの有効性を示し、最大2.22$times$推論スピードアップを達成する。
論文 参考訳（メタデータ） (2025-11-26T07:20:48Z) - Physics-Guided Inductive Spatiotemporal Kriging for PM2.5 with Satellite Gradient Constraints [15.082346657646902]
微粒子の高分解能マッピング (PM2.5) は持続可能な都市化の基盤であるが, 地中モニタリングネットワークの空間的疎結合性により, 依然として重要な障害となっている。
本研究では,インダクティブ・テンポラル・クリグのための新しいフレームワークであるspatio-Guided Inference Network (SPIN)を提案する。
論文 参考訳（メタデータ） (2025-11-20T03:18:41Z) - Hazy Pedestrian Trajectory Prediction via Physical Priors and Graph-Mamba [23.886173346851123]
本研究では,大気散乱の物理的先行と歩行者関係のトポロジ的モデリングを組み合わせた深層学習モデルを提案する。
本手法は, 密集ヘイズシナリオにおけるSOTAモデルと比較して, minADE/minFDEメトリクスを37.2%, 41.5%削減する。
論文 参考訳（メタデータ） (2025-09-28T18:29:43Z) - Flow marching for a generative PDE foundation model [0.0]
本稿では,物理力学系における誤り蓄積の解析によって動機付けられたフローマッチングを用いて,ニューラル演算子の学習をブリッジするアルゴリズムであるフローマーチングを提案する。
また,物理制約付き変分オートエンコーダ(P2E)を導入し,物理軌道をコンパクトな潜在空間に埋め込む。
異なる12種類のPDEファミリーおよびP2EとFMTのトレインスイートの2.5Mトラジェクトリを複数スケールでキュレートする。
論文 参考訳（メタデータ） (2025-09-23T04:00:41Z) - AdaSTI: Conditional Diffusion Models with Adaptive Dependency Modeling for Spatio-Temporal Imputation [18.411685240380333]
本研究では,条件付き拡散モデルに基づく新しいS時間計算手法であるAdaを提案する。
Adaは、すべての設定で既存のメソッドを上回り、最大46.4%の計算エラーを削減している。
論文 参考訳（メタデータ） (2025-09-15T18:55:56Z) - RDPI: A Refine Diffusion Probability Generation Method for Spatiotemporal Data Imputation [4.251739849724956]
インキュベーションは交通流のモニタリング、大気質の評価、気候予報など様々な分野で重要な役割を担っている。
センサによって収集されたデータは、しばしば時間的不完全性に悩まされ、蓄積と不均一な分布は、データ不足につながる。
本稿では,初期ネットワークと条件拡散モデルに基づく2段階改良型確率計算フレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-17T08:06:00Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - 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) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z)
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。