論文の概要: AirQualityBench: A Realistic Evaluation Benchmark for Global Air Quality Forecasting

• arxiv url: http://arxiv.org/abs/2605.05854v1
• Date: Thu, 07 May 2026 08:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.626287
• Title: AirQualityBench: A Realistic Evaluation Benchmark for Global Air Quality Forecasting
• Title（参考訳）: AirQualityBench:グローバルな空気質予測のためのリアルな評価ベンチマーク
• Authors: Xing Xu, Xu Wang, Yudong Zhang, Huilin Zhao, Zhengyang Zhou, Yang Wang,
• Abstract要約: 本稿では,現実的な条件下での予測モデルを評価するために,グローバルな多汚染ベンチマークであるStarbfAirQualityBenchを紹介する。 このベンチマークには、2021年から2025年にかけての3,720の観測所からの時限観測が含まれ、6つの主要な汚染物質をカバーし、プロバイダネイティブな観測マスクを保存している。 AirQualityBenchは、サニタイズされたデータセットの強いパフォーマンスが、グローバルな断片化された監視ストリームに確実に転送されないことを示している。
• 参考スコア（独自算出の注目度）: 25.500339307707225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Air-quality forecasting models are commonly evaluated on regional, preprocessed, and normalized datasets, where missing observations are removed or artificially completed. Such protocols simplify comparison but hide the conditions that dominate real monitoring networks: uneven global coverage, structured missingness, heterogeneous pollutant scales, and deployment cost. We introduce \textbf{AirQualityBench}, a global multi-pollutant benchmark designed to evaluate forecasting models under these realistic conditions. The benchmark contains hourly observations from 3,720 monitoring stations over 2021--2025, covers six major pollutants, and preserves provider-native observation masks. Rather than imputing a dense data tensor, AirQualityBench exposes missingness as part of the forecasting problem and reports errors on valid future observations after inverse transformation to physical concentration scales. Evaluating representative spatio-temporal models under this unified protocol shows that strong performance on sanitized datasets does not reliably transfer to global, fragmented monitoring streams. AirQualityBench therefore serves as a realistic testbed for scalable, mask-aware, and physically interpretable air-quality forecasting. All benchmark data, code, evaluation scripts, and baseline implementations are available at \href{https://github.com/Star-Learning/AirQualityBench}{GitHub}.
• Abstract（参考訳）: 空気質予測モデルは、欠落した観察を除去または人工的に完了した地域、前処理、および正規化されたデータセットで一般的に評価される。 このようなプロトコルは比較を単純化するが、実際の監視ネットワークを支配している条件を隠蔽する。 このような現実的な条件下での予測モデルを評価するために設計された,グローバルなマルチ汚染ベンチマークである,‘textbf{AirQualityBench} を紹介する。 このベンチマークには、2021年から2025年にかけての3,720の観測所からの時限観測が含まれ、6つの主要な汚染物質をカバーし、プロバイダネイティブな観測マスクを保存している。 AirQualityBenchは、高密度データテンソルを出力するのではなく、予測問題の一部として欠落を明らかにし、物理濃度スケールへの逆変換後の有効な将来の観測に関するエラーを報告する。 この統合されたプロトコルの下での代表時空間モデルを評価することは、衛生化されたデータセット上での強いパフォーマンスが、グローバルな断片化された監視ストリームに確実に転送されないことを示している。 そのためAirQualityBenchは、スケーラブルでマスク対応で物理的に解釈可能な空気質予測のための現実的なテストベッドとして機能する。 すべてのベンチマークデータ、コード、評価スクリプト、ベースライン実装は、 \href{https://github.com/Star-Learning/AirQualityBench}{GitHub}で利用可能である。

関連論文リスト

• Graph Convolutional Support Vector Regression for Robust Spatiotemporal Forecasting of Urban Air Pollution [0.0]
  本研究では,都市大気汚染のロバスト予測のためのGCSVR(Conal Support Regression Vector)フレームワークを提案する。 提案手法はムンバイの37の観測所とインド18の観測所の大気質記録を用いて評価した。
  論文  参考訳（メタデータ） (2026-05-05T14:24:49Z)
• 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)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Air Quality Prediction with A Meteorology-Guided Modality-Decoupled Spatio-Temporal Network [47.699409089023696]
  大気質の予測は公衆衛生と環境保護において重要な役割を担っている。 既存の研究は大気の質予測において重要な役割を過小評価している。 MDSTNetは、予測のための大気汚染依存性を明示的にキャプチャするエンコーダフレームワークである。 ChinaAirNetは、大気の質記録と多気圧レベルの気象観測を組み合わせた最初のデータセットである。
  論文  参考訳（メタデータ） (2025-04-14T09:18:11Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Air Quality Forecasting Using Machine Learning: A Global perspective with Relevance to Low-Resource Settings [0.0]
  大気汚染は世界第4位の死因である。 本研究では,2ヶ月の空気質データを用いた高精度な空気質予測のための新しい機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-09T05:52:02Z)
• Forecast-Aware Model Driven LSTM [0.0]
  粗悪な空気質は人間の健康に大きな影響を及ぼす可能性がある。 モデルバイアスを補正するために使われる伝統的な手法は、線形性や基礎となる分布について仮定する。 ディープラーニングは、極端な空気質のイベントが存在する場合に、空気質の予測を約束する。
  論文  参考訳（メタデータ） (2023-03-23T00:03:07Z)
• DL-Corrector-Remapper: A grid-free bias-correction deep learning methodology for data-driven high-resolution global weather forecasting [11.334341754942917]
  我々はFourCastNet(FCN)の一様予測を補正し、再マップし、微調整する手法を開発した。 これは、数値天気予報(NWP)のバイアス補正と後処理に似ている 私たちはこのネットワークをDLCR(Deep-Learning-Corrector-Remapper)と呼ぶ。
  論文  参考訳（メタデータ） (2022-10-21T23:04:44Z)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)

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。