論文の概要: Air Quality Arena: A Large-Scale Multi-Region Ground Monitoring Dataset and Benchmark for Air Quality Forecasting with Time-Series Foundation Models

• arxiv url: http://arxiv.org/abs/2607.19381v1
• Date: Wed, 01 Jul 2026 05:54:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.143736
• Title: Air Quality Arena: A Large-Scale Multi-Region Ground Monitoring Dataset and Benchmark for Air Quality Forecasting with Time-Series Foundation Models
• Title（参考訳）: 大気質アリーナ: 大規模マルチリージョン地上モニタリングデータセットと時系列基礎モデルによる大気質予測ベンチマーク
• Authors: Rishi Bharadwaj, Manik Gupta, Pandarasamy Arjunan,
• Abstract要約: Air Quality Arena (AQA)は、大規模多国多汚染データセット(AQA-Data)およびベンチマーク(AQA-Bench)である。 AQAは7つの異なる国と4大陸で3年間にわたって6つの主要な汚染物質をカバーし、14,000以上のステーション汚染物質シリーズがある。 我々はこのデータセットを11の時系列基礎モデルと古典的ベースラインでベンチマークし、短期的な空気質予測の性能を評価する。
• 参考スコア（独自算出の注目度）: 0.3316543849024811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Air pollution causes an estimated 7.9 million premature deaths annually, making accurate forecasting a critical public health priority. Machine learning is increasingly being applied to forecast air pollution levels, yet existing benchmarks remain narrow in both geographic scope and pollutant coverage, and fail to evaluate the latest generation of time series foundation models (TSFMs) on real world, large scale data. We present Air Quality Arena (AQA), a large scale multi-country and multi-pollutant dataset (AQA-Data) and benchmark (AQA-Bench) to address this gap. AQA covers 6 major pollutants over a three year period across 7 diverse countries and 4 continents, with more than 14,000 station-pollutant series, aiming to provide a comprehensive benchmark for air quality tasks. We benchmark this dataset across 11 leading time series foundation models and classical baselines to assess performance on short-term air quality forecasting. Our results demonstrate that TSFMs are effective zero-shot forecasters and consistently outperform classical baselines, with our top-performing model employing a cross-modal architecture that leverages a vision foundation model for time series forecasting. AQA is publicly released at AirQualityArena.github.io
• Abstract（参考訳）: 大気汚染は毎年790万人の早産を予想し、公衆衛生の重要度を正確に予測している。 機械学習は大気汚染レベルの予測にますます適用されているが、既存のベンチマークは地理的範囲と汚染物質の両方で狭く、リアルタイムの大規模データ上での時系列基礎モデル(TSFM)の最新バージョンの評価に失敗している。 本稿では,このギャップに対処するために,大規模多国多汚染データセット(AQA-Data)とベンチマーク(AQA-Bench)であるAir Quality Arena(AQA)を紹介する。 AQAは7カ国と4大陸にまたがる3年間に6つの主要な汚染物質をカバーしており、14,000以上のステーション汚染物質シリーズは、大気汚染タスクの総合的なベンチマークを提供することを目的としている。 我々はこのデータセットを11の時系列基礎モデルと古典的ベースラインでベンチマークし、短期的な空気質予測の性能を評価する。 この結果から,TSFMは実効的なゼロショット予測器であり,時系列予測に視覚基盤モデルを活用するクロスモーダルアーキテクチャを用いた従来のベースラインより一貫して優れていたことが示唆された。 AQAはAirQualityArena.github.ioで公開されている。

関連論文リスト

• Benchmarking Scientific Machine Learning Models for Air Quality Data [0.0]
  本研究は、ガイドラインと提案された物理誘導型最良のモデルを可能にする、説明可能で包括的なベンチマークを示す。 2022年から2024年にかけて、米国環境保護庁(EPA)による大気質データの日次観測を用いて、PM2.5とO3の都市レベルの時系列をキュレートする。 最適モデルのベンチマークには、線形回帰(LR)、SARIMAX、多層パーセプトロン(MLP)、LSTMネットワークが評価されている。
  論文  参考訳（メタデータ） (2026-03-22T03:31:24Z)
• Air Quality PM2.5 Index Prediction Model Based on CNN-LSTM [0.2796197251957245]
  ハイブリッドCNN-LSTMアーキテクチャに基づく空気品質PM2.5指数予測モデルを提案する。 このモデルは、局所空間特徴抽出のための畳み込みニューラルネットワーク(CNN)と、時系列データにおける時間的依存関係をモデル化するためのLong Short-Term Memory(LSTM)ネットワークを効果的に組み合わせている。 実験の結果,5.236の根平均二乗誤差(RMSE)が得られた。
  論文  参考訳（メタデータ） (2025-08-15T04:46:25Z)
• 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)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• A Framework for Scalable Ambient Air Pollution Concentration Estimation [0.0]
  英国では大気汚染が重要な問題であり、大気汚染濃度のデータが大気質の改善を目的とした介入の基礎となっている。 欠落した測度を埋めることにより,時間的・空間的データギャップに対処するデータ駆動型機械学習モデルフレームワークを提案する。 このアプローチは、2018年を通してイングランドの包括的なデータセットを1kmx1kmの時間分解能で提供する。
  論文  参考訳（メタデータ） (2024-01-16T18:03:07Z)
• 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)
• 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)
• 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。