論文の概要: NeuroDDAF: Neural Dynamic Diffusion-Advection Fields with Evidential Fusion for Air Quality Forecasting

• arxiv url: http://arxiv.org/abs/2604.01175v1
• Date: Wed, 01 Apr 2026 17:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:32.119157
• Title: NeuroDDAF: Neural Dynamic Diffusion-Advection Fields with Evidential Fusion for Air Quality Forecasting
• Title（参考訳）: NeuroDDAF: 空気質予測のためのエビデンシャルフュージョンを用いたニューラルダイナミック拡散場
• Authors: Prasanjit Dey, Soumyabrata Dev, Angela Meyer, Bianca Schoen-Phelan,
• Abstract要約: 物理インフォームド予測フレームワークNeuroDDAFを提案する。 NeuroDDAFは、オープンシステムトランスポートモデリングとニューラル表現学習を統合する。 4つの都市データセットの実験では、NeuroDDAFは一貫して強いベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 3.9956853658477307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate air quality forecasting is crucial for protecting public health and guiding environmental policy, yet it remains challenging due to nonlinear spatiotemporal dynamics, wind-driven transport, and distribution shifts across regions. Physics-based models are interpretable but computationally expensive and often rely on restrictive assumptions, whereas purely data-driven models can be accurate but may lack robustness and calibrated uncertainty. To address these limitations, we propose Neural Dynamic Diffusion-Advection Fields (NeuroDDAF), a physics-informed forecasting framework that unifies neural representation learning with open-system transport modeling. NeuroDDAF integrates (i) a GRU-Graph Attention encoder to capture temporal dynamics and wind-aware spatial interactions, (ii) a Fourier-domain diffusion-advection module with learnable residuals, (iii) a wind-modulated latent Neural ODE to model continuous-time evolution under time-varying connectivity, and (iv) an evidential fusion mechanism that adaptively combines physics-guided and neural forecasts while quantifying uncertainty. Experiments on four urban datasets (Beijing, Shenzhen, Tianjin, and Ancona) across 1-3 day horizons show that NeuroDDAF consistently outperforms strong baselines, including AirPhyNet, achieving up to 9.7% reduction in RMSE and 9.4% reduction in MAE on long-term forecasts. On the Beijing dataset, NeuroDDAF attains an RMSE of 41.63 $μ$g/m$^3$ for 1-day prediction and 48.88 $μ$g/m$^3$ for 3-day prediction, representing the best performance among all compared methods. In addition, NeuroDDAF improves cross-city generalization and yields well-calibrated uncertainty estimates, as confirmed by ensemble variance analysis and case studies under varying wind conditions.
• Abstract（参考訳）: 大気質の正確な予測は、公衆衛生の保護と環境政策の導出に不可欠であるが、非線型時空間力学、風駆動輸送、地域ごとの分布変化により、依然として困難である。 物理ベースのモデルは解釈可能であるが、計算コストが高く、しばしば制限的な仮定に依存するが、純粋にデータ駆動モデルは正確であるが、堅牢性や校正の不確実性に欠ける可能性がある。 これらの制約に対処するため、オープン・システム・トランスポート・モデリングとニューラル表現学習を統一する物理インフォームド予測フレームワークNeuroDDAFを提案する。 NeuroDDAF 統合 (i)時空力学と風向き空間的相互作用をキャプチャするGRU-グラフ注意エンコーダ。 (ii)学習可能な残基を持つフーリエ領域拡散回避モジュール 三 時変接続下における連続時間進化をモデル化するための風変調潜時ニューラルネットワーク (4)不確実性を定量化しつつ、物理誘導と神経予測を適応的に組み合わせた明らかな融合機構。 1～3日の地平線における4つの都市データセット(北京市、深セン市、天津市、アンコナ市)の実験では、NeuroDDAFはAirPhyNetを含む強力なベースラインを一貫して上回り、RMSEの最大9.7%、長期予測の9.4%の削減を実現している。 北京のデータセットでは、NeuroDDAFは1日間の予測に41.63$μ$g/m$^3$、3日間の予測に48.88$μ$g/m$^3$のRMSEを達成し、比較したすべての方法の中で最高のパフォーマンスを示している。 さらに、NeuroDDAFは都市間一般化を改善し、異なる風条件下でのアンサンブル分散分析やケーススタディで確認されたように、よく校正された不確実性の推定値が得られる。

関連論文リスト

• Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
  フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。 連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
  論文  参考訳（メタデータ） (2026-03-23T03:22:33Z)
• A Physics-Guided AI Cascaded Corrector Model Significantly Extends Madden-Julian Oscillation Prediction Skill [12.768001894587576]
  我々は、MJO(PCC-MJO)のための新しいディープラーニングフレームワーク、物理誘導カスケードコレクターを導入する。 PCC-MJOは、動的モデルからMJO予測を補正するための普遍的なポストプロセッサとして機能する。 我々の研究は、将来的な物理的に一貫した、計算的に効率的で、非常に一般化可能な経路を提供し、海底予測における長年の障壁を突破する。
  論文  参考訳（メタデータ） (2025-10-20T14:41:48Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• 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)
• Towards real-time assessment of infrasound event detection capability using deep learning-based transmission loss estimation [5.601176010173589]
  国際モニタリングシステムの性能評価には, 超音波透過損失の高精度なモデリングが不可欠である。 最先端の伝搬モデリングツールにより、大気モデルを用いて伝達損失を微細にシミュレートすることができる。 近年の研究では,伝達損失予測をほぼ瞬時に行うディープ・ラーニング・アルゴリズムを用いている。 本研究では, 風場と温度場をニューラルネットワークの入力として使用し, 最大130km, 4,000kmの距離をシミュレートした。
  論文  参考訳（メタデータ） (2025-06-03T09:49:12Z)
• 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)
• XRMDN: An Extended Recurrent Mixture Density Network for Short-Term Probabilistic Rider Demand Forecasting with High Volatility [16.047461063459846]
  本稿では,XRMDN (Extended Recurrent Mixture Density Network) を提案する。 XRMDNは需要動向を順応的に捉え、特に高ボラティリティシナリオにおいて予測精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-10-15T14:18:42Z)
• How to Learn and Generalize From Three Minutes of Data: Physics-Constrained and Uncertainty-Aware Neural Stochastic Differential Equations [24.278738290287293]
  ニューラル微分方程式(SDE)を用いた制御力学モデル学習のためのフレームワークとアルゴリズムを提案する。 本研究では,従来の物理知識を帰納バイアスとして活用するためのドリフト項を構築し,学習モデルの予測の不確かさを距離認識した推定値を表す拡散項を設計する。 我々は、シミュレーションロボットシステムの実験を通じてこれらの能力を実証し、ヘキサコプターの飛行力学をモデル化し制御する。
  論文  参考訳（メタデータ） (2023-06-10T02:33:34Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
  本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。 我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
  論文  参考訳（メタデータ） (2021-06-03T00:02:05Z)

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。