論文の概要: Bi Directional Feedback Fusion for Activity Aware Forecasting of Indoor CO2 and PM2.5

• arxiv url: http://arxiv.org/abs/2603.06724v1
• Date: Fri, 06 Mar 2026 01:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:12.99067
• Title: Bi Directional Feedback Fusion for Activity Aware Forecasting of Indoor CO2 and PM2.5
• Title（参考訳）: 室内CO2とPM2.5の予測のための双方向フィードバックフュージョン
• Authors: Harshala Gammulle, Lidia Morawska, Sridha Sridharan, Clinton Fookes,
• Abstract要約: 二酸化炭素 (CO2) や微粒子物質 (PM2.5) などの主要な汚染物質の将来の濃度を予測することは依然として困難である。 従来のデータ駆動モデルは、過去のセンサーの軌跡に依存しており、しばしば行動誘発放出のスパイクや急激な集中シフトを予測できない。 室内環境の進化と行動誘導型埋め込みを共同でモデル化した,双方向の双方向フィードバック融合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）: 29.9983891051718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Indoor air quality (IAQ) forecasting plays a critical role in safeguarding occupant health, ensuring thermal comfort, and supporting intelligent building control. However, predicting future concentrations of key pollutants such as carbon dioxide (CO2) and fine particulate matter (PM2.5) remains challenging due to the complex interplay between environmental factors and highly dynamic occupant behaviours. Traditional data driven models primarily rely on historical sensor trajectories and often fail to anticipate behaviour induced emission spikes or rapid concentration shifts. To address these limitations, we present a dual stream bi directional feedback fusion framework that jointly models indoor environmental evolution and action derived embeddings representing human activities. The proposed architecture integrates a context aware modulation mechanism that adaptively scales and shifts each stream based on a shared, evolving fusion state, enabling the model to selectively emphasise behavioural cues or long term environmental trends. Furthermore, we introduce dual timescale temporal modules that independently capture gradual CO2 accumulation patterns and short term PM2.5 fluctuations. A composite loss function combining weighted mean squared error, spike aware penalties, and uncertainty regularisation facilitates robust learning under volatile indoor conditions. Extensive validation on real-world IAQ datasets demonstrates that our approach significantly outperforms state of the art forecasting baselines while providing interpretable uncertainty estimates essential for practical deployment in smart buildings and health-aware monitoring systems.
• Abstract（参考訳）: 室内空気質予測(IAQ)は、居住者の健康を守り、温暖な快適さを確保し、インテリジェントな建物制御を支援する上で重要な役割を担っている。 しかし, 環境要因と極めてダイナミックな占有行動の複雑な相互作用により, 二酸化炭素 (CO2) や微粒子物質 (PM2.5) などの主要な汚染物質の将来の濃度を予測することは困難である。 従来のデータ駆動モデルは、主に歴史的センサーの軌跡に依存しており、しばしば行動誘発放出のスパイクや急激な集中シフトを予測できない。 これらの制約に対処するため、屋内環境の進化と人間の活動を表す行動誘導型埋め込みを共同でモデル化した双方向フィードバック融合フレームワークを提案する。 提案アーキテクチャでは,各ストリームを適応的に拡張・シフトするコンテキストアウェアメント変調機構を,共有的かつ進化的な融合状態に基づいて統合し,モデルが行動的手がかりや長期環境の傾向を選択的に強調できるようにする。 さらに、段階的なCO2蓄積パターンと短期的なPM2.5変動を独立に捉える2つの時間スケール時間モジュールを導入する。 重み付き平均二乗誤差、スパイク対応ペナルティ、不確実性正規化を組み合わせた複合損失関数は、揮発性屋内条件下での堅牢な学習を促進する。 実世界のIAQデータセットに対する大規模な検証により、我々のアプローチは最先端の予測ベースラインを著しく上回り、スマートな建物や健康に配慮したモニタリングシステムへの実践的な展開に欠かせない、解釈可能な不確実性推定を提供することが示された。

関連論文リスト

• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Enhancing Robustness Of Digital Shadow For CO2 Storage Monitoring With Augmented Rock Physics Modeling [0.276240219662896]
  時間ラプス地震イメージングはCO2の移動を追跡するのに不可欠であるが、多相下流の複雑さを捉えるのにしばしば苦労する。 非線形ベイズフィルタリングや生成AIといった機械学習駆動のデータ同化技術を活用するDigital Shadows(DS)は、より詳細で不確実性を認識した監視アプローチを提供する。 本研究では,様々な岩石物理モデルによる予測アンサンブルの増大が誤った仮定の影響を緩和し,予測精度を向上させることを示す。
  論文  参考訳（メタデータ） (2025-02-11T01:33:35Z)
• Diffusion-based subsurface CO$_2$ multiphysics monitoring and forecasting [4.2193475197905705]
  本稿では,ビデオ拡散モデルを用いた新しい地下マルチ物理モニタリングおよび予測フレームワークを提案する。 このアプローチは、CO$2$進化の高品質な表現と、それに伴う地下弾性特性の変化を生成することができる。 コンパスモデルに基づく実験では,CO$モニタリングに関連する本質的に複雑な物理現象を,提案手法がうまく捉えることができた。
  論文  参考訳（メタデータ） (2024-07-25T23:04:37Z)
• 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)
• Neural Interaction Energy for Multi-Agent Trajectory Prediction [55.098754835213995]
  ニューラル・インタラクション・エナジー(MATE)によるマルチエージェント軌道予測(Multi-Agent Trajectory Prediction)というフレームワークを導入する。 MATEは神経相互作用エネルギーを用いてエージェントの対話運動を評価する。 時間的安定性を高めるために,エージェント間相互作用制約とエージェント内動作制約という2つの制約を導入する。
  論文  参考訳（メタデータ） (2024-04-25T12:47:47Z)
• Towards Learning in Grey Spatiotemporal Systems: A Prophet to Non-consecutive Spatiotemporal Dynamics [8.028527069935732]
  G2S(Grey Stemporal Systems)のための因子分離学習フレームワークを提案する。 中心となる考え方は、階層的に複数の要素を分離し、フレキシブルアグリゲーションと不確実性推定の両方を可能にすることである。 分散量子化(Disangled Quantification)は、信頼性保証とモデル解釈のための2種類の不確実性を特定するために提案される。
  論文  参考訳（メタデータ） (2022-08-17T14:59:48Z)

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。