論文の概要: Interpretable PM2.5 Forecasting for Urban Air Quality: A Comparative Study of Operational Time-Series Models

• arxiv url: http://arxiv.org/abs/2603.25495v1
• Date: Thu, 26 Mar 2026 14:35:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.33443
• Title: Interpretable PM2.5 Forecasting for Urban Air Quality: A Comparative Study of Operational Time-Series Models
• Title（参考訳）: 都市大気質予測のための解釈可能なPM2.5予測:運用時系列モデルの比較検討
• Abstract要約: 本研究は,中国北京市におけるPM2.5予測において,軽量かつ解釈可能な予測手法が競争力を発揮するかどうかを考察する。 SARIMAX、Facebook Prophet、Neural Prophetの3つの予測ファミリーが評価された。 その結果,予測精度と計算効率に差が認められた。
• 参考スコア（独自算出の注目度）: 1.7985445077416795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate short-term air-quality forecasting is essential for public health protection and urban management, yet many recent forecasting frameworks rely on complex, data-intensive, and computationally demanding models. This study investigates whether lightweight and interpretable forecasting approaches can provide competitive performance for hourly PM2.5 prediction in Beijing, China. Using multi-year pollutant and meteorological time-series data, we developed a leakage-aware forecasting workflow that combined chronological data partitioning, preprocessing, feature selection, and exogenous-driver modeling under the Perfect Prognosis setting. Three forecasting families were evaluated: SARIMAX, Facebook Prophet, and NeuralProphet. To assess practical deployment behavior, the models were tested under two adaptive regimes: weekly walk-forward refitting and frozen forecasting with online residual correction. Results showed clear differences in both predictive accuracy and computational efficiency. Under walk-forward refitting, Facebook Prophet achieved the strongest completed performance, with an MAE of $37.61$ and an RMSE of $50.10$, while also requiring substantially less execution time than NeuralProphet. In the frozen-model regime, online residual correction improved Facebook Prophet and SARIMAX, with corrected SARIMAX yielding the lowest overall error (MAE $32.50$; RMSE $46.85$). NeuralProphet remained less accurate and less stable across both regimes, and residual correction did not improve its forecasts. Notably, corrected Facebook Prophet reached nearly the same error as its walk-forward counterpart while reducing runtime from $15$ min $21.91$ sec to $46.60$ sec. These findings show that lightweight additive forecasting strategies can remain highly competitive for urban air-quality prediction, offering a practical balance between accuracy, interpretability, ...
• Abstract（参考訳）: 正確な短期的な空気質予測は公衆衛生保護と都市管理に不可欠であるが、近年の予測フレームワークの多くは複雑でデータ集約的で計算に要求されるモデルに依存している。 本研究は,中国北京市におけるPM2.5予測において,軽量かつ解釈可能な予測手法が競争力を発揮するかどうかを考察する。 複数年にわたる汚染物質と気象時系列データを用いて,時系列データ分割,前処理,特徴選択,およびPerfect Prognosis 設定による外因性ドライバモデリングを組み合わせた漏出認識予測ワークフローを開発した。 SARIMAX、Facebook Prophet、Neural Prophetの3つの予測ファミリーが評価された。 実際の展開行動を評価するために, 週次歩行順応と, オンライン残差補正による凍結予測という2つの適応型体制の下で実験を行った。 その結果,予測精度と計算効率に差が認められた。 Facebook Prophetはウォークフォワードで37.61ドルのMAEと50.10ドルのRMSEを達成し、Neural Prophetよりも実行時間が大幅に短縮された。 凍結モデル体制下では、オンラインの残留補正によりFacebook ProphetとSARIMAXが改善され、SARIMAXは最も低いエラー(MAE$32.50$; RMSE$46.85$)となった。 ニューラルプロフェートは両方の政権で正確さが低く、安定したままであり、残留補正は予測を改善しなかった。 特に、修正されたFacebook Prophetはウォーキングフォワードとほぼ同じエラーに達し、ランタイムを15ドル分から21.91ドル秒から46.60ドル秒に下げた。 これらの結果から, 都市大気質予測において, 軽量な付加的予測戦略は高い競争力を維持し, 精度, 解釈可能性, 信頼性の両立を図っている。

関連論文リスト

• Probabilistic bias adjustment of seasonal forecasts using generative machine learning: A case study of Arctic sea ice predictions [0.0]
  北極海氷の季節変動予測に偏りの大規模なアンサンブルを生成する枠組みを開発した。 我々は、この枠組みを拡張して、予測における微細なエネルギーの損失と特徴的曖昧さに対処する。 調整した予測は、観測分布とより整合性があり、ベンチマーク予測よりも誤差が小さいことを示す。
  論文  参考訳（メタデータ） (2026-05-27T23:14:46Z)
• Forecast collapse of transformer-based models under squared loss in financial time series [0.0]
  弱条件構造を持つ時系列の2乗損失下での軌跡予測について検討した。 我々は、将来の軌道の条件付き期待が効果的に縮退する体制を強調した。 モデル表現率の向上は予測精度を向上させるものではなく、代わりに最適な予測器の周囲に突発的な軌道変動をもたらす。
  論文  参考訳（メタデータ） (2026-03-31T09:06:52Z)
• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• Hybrid Forecasting of Geopolitical Events [71.73737011120103]
  SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。 このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。 機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-14T22:09:45Z)
• Evaluation of Tropical Cyclone Track and Intensity Forecasts from Artificial Intelligence Weather Prediction (AIWP) Models [0.6282171844772422]
  4つのオープンソースAIWPモデルが検討されている(FourCastNetv1、FourCastNetv2-small、GraphCast-operational、Pangu-Weather)。 NHCモデルコンセンサスに対するAIWPモデルの貢献も評価した。 かなりの負の強度バイアスにもかかわらず、AIWPモデルは強度のコンセンサスに中立的な影響を与える。
  論文  参考訳（メタデータ） (2024-09-08T22:58:46Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• FuXi: A cascade machine learning forecasting system for 15-day global weather forecast [34.812266901884996]
  FuXiは、時間分解能6時間、空間分解能0.25度で世界15日間の天気予報を提供する機械学習天気予報システムである。 FuXiは15日間の予測でECMWF EMと同等の性能を示しており、この達成を達成したMLベースの天気予報システムとしては初めてのものである。
  論文  参考訳（メタデータ） (2023-06-22T13:34:26Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
  我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。 S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。 我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
  論文  参考訳（メタデータ） (2022-11-28T14:16:22Z)

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。