論文の概要: MVG-KAN: Multi-View Geo-Wind Guided KAN for PM$_{2.5}$ Forecasting
- arxiv url: http://arxiv.org/abs/2606.24347v1
- Date: Tue, 23 Jun 2026 09:38:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.862278
- Title: MVG-KAN: Multi-View Geo-Wind Guided KAN for PM$_{2.5}$ Forecasting
- Title（参考訳）: MVG-KAN:Multi-View Geo-Wind Guided Kan for PM$_{2.5}$ Forecasting
- Authors: Cheng Huang, Muyao Guan, Jairus Yougui Railey, Ning Xu, Honghui Xu, Changjiang Zhang, Zhen Zhang, Shiqing Zhang, Cong Bai,
- Abstract要約: PM$_2.5$の正確な短期予測は、公衆衛生保護、大気汚染早期警戒、都市環境管理に重要である。
PM$_2.5$ のtextbfMVGutan 予測のためのマルチビュージオウィンド導波管モデルを提案する。
- 参考スコア（独自算出の注目度）: 22.739007039888296
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate short-term PM$_{2.5}$ forecasting is important for public health protection, air-quality early warning, and urban environmental management. However, PM$_{2.5}$ variation is driven by multiple coupled factors, including stable periodic changes induced by human activities and meteorological regularity, station-specific short-term concentration evolution, and meteorology-driven pollutant dispersion among monitoring stations. Existing spatio-temporal forecasting methods may capture station relationships to some extent, but distance-only, correlation-based, or purely adaptive graphs are often insufficient to comprehensively represent these heterogeneous factors, especially wind-direction-dependent pollutant transport. To address this problem, we propose a Multi-View Geo-Wind Guided KAN model for PM$_{2.5}$ forecasting, named \textbf{MVG-KAN}, which models station-level PM$_{2.5}$ evolution from three complementary views: local periodic regularity, station-wise residual temporal dynamics, and meteorological-environment-guided spatial dispersion. Specifically, the periodic-residual forecasting backbone first separates stable daily and weekly patterns from non-periodic residual variations. A Geo-Wind Graph is constructed by combining geographic distance decay with wind-direction- and wind-speed-aware transport, providing a lightweight physically motivated directed spatial prior for residual propagation among stations. In addition, a temporal Kolmogorov-Arnold network (TKAN) residual head is then introduced to learn station-wise nonlinear autoregressive correction from de-periodized PM$_{2.5}$ residuals and historical multi-pollutant sequences, thereby enhancing the modeling of local residual inertia and pollutant co-variation.
- Abstract（参考訳）: PM$_{2.5}$の正確な短期予測は、公衆衛生保護、大気汚染早期警戒、都市環境管理に重要である。
しかし、PM$_{2.5}$の変動は、人間の活動や気象学的規則性によって誘導される安定した周期変化、局固有の短期濃度の進化、観測ステーション間の気象による汚染物質分散など、複数の結合因子によって引き起こされる。
既存の時空間予測手法は、局間関係をある程度捉えることができるが、距離のみ、相関に基づく、あるいは純粋適応グラフは、これらの不均一な要因、特に風向依存性の汚染物質輸送を包括的に表すには不十分であることが多い。
この問題を解決するために, PM$_{2.5}$予測のためのマルチビュージオウィンド・カンモデルを提案する。これは, 局レベルPM$_{2.5}$進化を, 局所周期正則性, ステーションワイド残留時間力学, 気象環境誘導空間空間空間空間の3つの相補的な視点からモデル化したものである。
特に、周期-残留予測バックボーンは、まず、安定な日と週のパターンを非周期的残差から分離する。
地理的距離減衰と風向・風速対応輸送を組み合わせることでジオウィンドグラフを構築する。
さらに、時間的コルモゴロフ・アルノルドネットワーク(TKAN)残基を導入し、非周期化PM$_{2.5}$残基と歴史的多汚染配列からステーションワイド非線形自己回帰補正を学習し、局所的残留慣性および汚染共変量のモデリングを強化する。
関連論文リスト
- Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。
この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。
提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
論文 参考訳（メタデータ） (2026-06-15T18:19:17Z) - TriHead-GAN: A Generative Adversarial Network with Triple-Head Discriminator for Carbon Emission Time Series Generation [24.675294562363252]
時系列生成は自然な治療法であるが、既存のGANと拡散に基づくジェネレータは、しばしば二酸化炭素排出量データの領域構造を限定的に監督する。
本稿では,3重頭部判別器が関節分布の3つの相補的側面を相補的に監督するトランスフォーマーベースの対向フレームワークであるTriHead-GANを提案する。
このジェネレータは、グローバルな自己注意と局所的な時間的畳み込み、ステップごとのノイズ注入、およびファーストディファレンス統計に一致するアンチ・スムーシング・ロスを組み合わせている。
論文 参考訳（メタデータ） (2026-05-26T02:48:56Z) - Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。
ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
論文 参考訳（メタデータ） (2026-05-07T20:25:28Z) - TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。
TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。
これは最先端の可逆正規化法より優れている。
論文 参考訳（メタデータ） (2026-03-18T07:21:24Z) - Bi Directional Feedback Fusion for Activity Aware Forecasting of Indoor CO2 and PM2.5 [29.9983891051718]
二酸化炭素 (CO2) や微粒子物質 (PM2.5) などの主要な汚染物質の将来の濃度を予測することは依然として困難である。
従来のデータ駆動モデルは、過去のセンサーの軌跡に依存しており、しばしば行動誘発放出のスパイクや急激な集中シフトを予測できない。
室内環境の進化と行動誘導型埋め込みを共同でモデル化した,双方向の双方向フィードバック融合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-06T01:21:44Z) - 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) - A Causality-Aware Spatiotemporal Model for Multi-Region and Multi-Pollutant Air Quality Forecasting [40.464076620990866]
AirPCMは、多汚染物質力学と明示的な気象-汚染物質因果モデリングを組み合わせる。
AirPCMは、予測精度と一般化能力の両方において、最先端のベースラインを一貫して超越している。
論文 参考訳（メタデータ） (2025-09-25T14:54:23Z) - S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。
これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。
本稿では,構造的空間的注意を新たに提案する。
空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。
ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
論文 参考訳（メタデータ） (2025-09-10T05:33:28Z) - 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) - Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。
我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。
将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文 参考訳（メタデータ） (2024-04-08T09:13:16Z) - A Data-Driven Supervised Machine Learning Approach to Estimating Global
Ambient Air Pollution Concentrations With Associated Prediction Intervals [0.0]
我々は、時間的および空間的計測の欠如を示唆するスケーラブルでデータ駆動型の教師あり機械学習フレームワークを開発した。
このモデルは, 時間的および空間的計測の欠如を示唆し, NO$, O$_3$, PM$_10$, PM$_2.5$, SO$などの汚染物質の包括的データセットを生成するように設計されている。
モデルの性能について検討し,今後のモニタリングステーションの戦略的配置に関する洞察と勧告を提供する。
論文 参考訳（メタデータ） (2024-02-15T11:09:22Z)
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。