論文の概要: End-to-end data-driven prediction of urban airflow and pollutant dispersion

• arxiv url: http://arxiv.org/abs/2603.17606v1
• Date: Wed, 18 Mar 2026 11:19:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.664169
• Title: End-to-end data-driven prediction of urban airflow and pollutant dispersion
• Title（参考訳）: 都市気流と汚染物質分散のエンドツーエンドデータ駆動予測
• Authors: Nishant Kumar, Franck Kerhervé, Lionel Agostini, Laurent Cordier,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.3874486202578666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Climate change and the rapid growth of urban populations are intensifying environmental stresses within cities, making the behavior of urban atmospheric flows a critical factor in public health, energy use, and overall livability. This study targets to develop fast and accurate models of urban pollutant dispersion to support decision-makers, enabling them to implement mitigation measures in a timely and cost-effective manner. To reach this goal, an end-to-end data-driven approach is proposed to model and predict the airflow and pollutant dispersion in a street canyon in skimming flow regime. A series of time-resolved snapshots obtained from large eddy simulation (LES) serves as the database. The proposed framework is based on four fundamental steps. Firstly, a reduced basis is obtained by spectral proper orthogonal decomposition (SPOD) of the database. The projection of the time series snapshot data onto the SPOD modes (time-domain approach) provides the temporal coefficients of the dynamics. Secondly, a nonlinear compression of the temporal coefficients is performed by autoencoder to reduce further the dimensionality of the problem. Thirdly, a reduced-order model (ROM) is learned in the latent space using Long Short-Term Memory (LSTM) netowrks. Finally, the pollutant dispersion is estimated from the predicted velocity field through convolutional neural network that maps both fields. The results demonstrate the efficacy of the model in predicting the instantaneous as well as statistically stationary fields over long time horizon.
• Abstract（参考訳）: 気候変動と都市人口の急速な増加は、都市内の環境ストレスを増大させ、都市大気の挙動を公衆衛生、エネルギー利用、そして全体の自由性において重要な要素にしている。 本研究は, 都市汚染物質分散の迅速かつ正確なモデルを構築し, 意思決定者を支援することを目的としている。 この目標を達成するために,スイミングフローシステムにおいて,道路キャニオン内の気流と汚染物質分散をモデル化し,予測するために,エンドツーエンドのデータ駆動方式を提案する。 大規模な渦シミュレーション(LES)から得られた一連の時間分解スナップショットがデータベースとして機能する。 提案するフレームワークは4つの基本的なステップに基づいている。 まず、データベースのスペクトル固有直交分解(SPOD)により、還元基底を得る。 時系列スナップショットデータのSPODモードへの投影(時間領域アプローチ)は、ダイナミクスの時間係数を提供する。 第二に、時間係数の非線形圧縮はオートエンコーダによって行われ、問題の次元性をさらに低減する。 第3に、Long Short-Term Memory (LSTM) netowrks を用いて、潜在空間で低次モデル (ROM) が学習される。 最後に、両方のフィールドをマッピングする畳み込みニューラルネットワークを通じて、予測速度場から汚染物質分散を推定する。 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。

関連論文リスト

• 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)
• Scale-Disentangled spatiotemporal Modeling for Long-term Traffic Emission Forecasting [10.643363557001955]
  本稿では,長期交通排出予測のためのSDSTM(Scale-Disd S-temporal Modeling)フレームワークを提案する。 提案手法は最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-08-16T06:06:47Z)
• 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)
• TAUDiff: Highly efficient kilometer-scale downscaling using generative diffusion models [0.0]
  急激なターンアラウンド、ダイナミックな一貫性、極端な気象イベントの正確な時間的回復を達成することが不可欠である。 本稿では, 平均フィールドダウンスケーリングにおける決定論的時間モデルと, より小さな生成的拡散モデルを組み合わせて, 微細な特徴を再現する効率的な拡散モデルTAUDiffを提案する。 当社のアプローチは、関連するリスクや経済損失を見積もるために必要となる極端な事象を、より迅速にシミュレーションすることができる。
  論文  参考訳（メタデータ） (2024-12-18T09:05:19Z)
• 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)

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。