論文の概要: AirDDE: Multifactor Neural Delay Differential Equations for Air Quality Forecasting
- arxiv url: http://arxiv.org/abs/2603.17529v1
- Date: Wed, 18 Mar 2026 09:37:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-19 18:32:57.608043
- Title: AirDDE: Multifactor Neural Delay Differential Equations for Air Quality Forecasting
- Title（参考訳）: AirDDE:空気質予測のための多要素ニューラルネットワーク遅延微分方程式
- Authors: Binqing Wu, Zongjiang Shang, Shiyu Liu, Jianlong Huang, Jiahui Xu, Ling Chen,
- Abstract要約: AirDDEは遅延モデリングを物理的ガイダンスの下で連続的な汚染物質進化に統合するフレームワークである。
AirDDEは、最高のベースラインに対して平均8.79%のMAE削減で最先端の予測性能を達成する。
- 参考スコア（独自算出の注目度）: 17.936696054258345
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate air quality forecasting is essential for public health and environmental sustainability, but remains challenging due to the complex pollutant dynamics. Existing deep learning methods often model pollutant dynamics as an instantaneous process, overlooking the intrinsic delays in pollutant propagation. Thus, we propose AirDDE, the first neural delay differential equation framework in this task that integrates delay modeling into a continuous-time pollutant evolution under physical guidance. Specifically, two novel components are introduced: (1) a memory-augmented attention module that retrieves globally and locally historical features, which can adaptively capture delay effects modulated by multifactor data; and (2) a physics-guided delay evolving function, grounded in the diffusion-advection equation, that models diffusion, delayed advection, and source/sink terms, which can capture delay-aware pollutant accumulation patterns with physical plausibility. Extensive experiments on three real-world datasets demonstrate that AirDDE achieves the state-of-the-art forecasting performance with an average MAE reduction of 8.79\% over the best baselines. The code is available at https://github.com/w2obin/airdde-aaai.
- Abstract（参考訳）: 大気質の正確な予測は公衆衛生や環境の持続可能性に不可欠であるが、複雑な汚染物質動態のため依然として困難である。
既存のディープラーニング手法は、しばしば汚染の伝播の本質的な遅延を見越して、汚染のダイナミクスを瞬時にモデル化する。
そこで本研究では,遅延モデリングを物理誘導下での連続的な汚染物質進化と統合した,最初のニューラル遅延微分方程式フレームワークであるAirDDEを提案する。
具体的には,(1)多要素データによって変調された遅延効果を適応的に捉えることのできる,グローバルかつ局所的な歴史的特徴を検索するメモリ拡張アテンションモジュール,(2)拡散防止方程式を基礎とした物理誘導遅延進化関数,および,遅延認識された汚染物質蓄積パターンを物理的に可塑性で捉えることのできるソース/シンク項,の2つの新しいコンポーネントを紹介した。
3つの実世界のデータセットに対する大規模な実験により、AirDDEは最高のベースラインに対して平均8.79\%のMAE削減で最先端の予測性能を達成することを示した。
コードはhttps://github.com/w2obin/airdde-aaai.comで公開されている。
関連論文リスト
- End-to-end data-driven prediction of urban airflow and pollutant dispersion [1.3874486202578666]
本研究の目的は, 意思決定者を支援するため, 都市汚染物質分散の迅速かつ正確なモデルを開発することである。
道路キャニオンにおける気流と汚染物質分散のモデル化と予測を行うために, エンドツーエンドのデータ駆動方式を提案する。
その結果, 時間的地平線上での時間的および統計的に定常な場予測において, モデルの有効性が示された。
論文 参考訳（メタデータ） (2026-03-18T11:19:13Z) - STeP-Diff: Spatio-Temporal Physics-Informed Diffusion Models for Mobile Fine-Grained Pollution Forecasting [42.05696072296056]
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。
論文 参考訳（メタデータ） (2025-12-04T02:17:19Z) - 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) - Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。
シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。
そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
論文 参考訳（メタデータ） (2025-11-13T03:10:39Z) - 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) - 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) - Wavelet Diffusion Neural Operator [17.617919636212445]
本稿では,新しいPDEシミュレーションおよび制御フレームワークであるWavelet Neural Diffusion Operator (WDNO)を提案する。
WDNOはウェーブレット領域で拡散に基づく生成モデルを実行し、急激な変化と長期依存を効果的に処理する。
様々な解像度での一般化が不十分な問題に対処するために,マルチレゾリューショントレーニングを導入する。
論文 参考訳（メタデータ） (2024-12-06T07:56:25Z) - Mitigating Time Discretization Challenges with WeatherODE: A Sandwich Physics-Driven Neural ODE for Weather Forecasting [20.135470301151727]
天気予報精度を向上させるために,新しい物理駆動型常微分方程式(ODE)モデルを提案する。
波動方程式理論の活用と時間依存ソースモデルの統合により、気象学は時分割誤差や動的大気過程に関連する課題を効果的に解決する。
気象予報は, 気象予報と地域気象予報の双方において優れた性能を示し, 近年の最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-10-09T05:41:24Z) - Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。
最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。
提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
論文 参考訳（メタデータ） (2024-08-01T17:59:59Z) - Neural Laplace Control for Continuous-time Delayed Systems [76.81202657759222]
本稿では,ニューラルラプラス力学モデルとモデル予測制御(MPC)プランナを組み合わせた連続時間モデルに基づくオフラインRL法を提案する。
専門家の政策性能に近い連続的な遅延環境を実験的に示す。
論文 参考訳（メタデータ） (2023-02-24T12:40:28Z)
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。