論文の概要: AirFlow: Context Preserving and Multi-Rate State Modeling for Air Quality Forecasting

• arxiv url: http://arxiv.org/abs/2608.09775v1
• Date: Mon, 10 Aug 2026 16:02:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.370785
• Title: AirFlow: Context Preserving and Multi-Rate State Modeling for Air Quality Forecasting
• Title（参考訳）: AirFlow: 品質予測のためのコンテキスト保存とマルチレート状態モデリング
• Abstract要約: AirFlowは、ステーション多変量観測で動作する汚染物質を意識したデュアルストリームフレームワークである。 複数の都市における実世界のデータに関する実験によると、AirFlowは36のメトリクス比較のうち34で最高のパフォーマンスを達成している。 AirFlowは0.0483Mパラメータと0.0215G FLOPしか必要とせず、計算オーバーヘッドの少ない高い予測精度を実現している。
• 参考スコア（独自算出の注目度）: 14.06845480784739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate air quality forecasting is essential for public health and urban environmental management, but remains challenging because pollutant channels differ in periodicity and distribution drift, while their concentration trajectories contain both multi-scale dependencies and rapid changes. Recent methods have improved spatial dependency learning and meteorological covariate modeling. However, pollutant channels are still passed through the same normalization rule and temporal backbone, using a shared latent representation for channel-specific distributions and changes at different rates. To address this limitation, we propose AirFlow, a pollutant-aware dual-stream framework that operates on station multivariate observations without additional graph propagation or predefined signal decomposition. Specifically, AirFlow designs two novel blocks: (1) a statistic-guided normalization routing mechanism that selects a normalization path for each pollutant according to its 24-hour autocorrelation and distribution drift; and (2) a hierarchical dual-stream state model that combines multi-scale state space propagation with learnable response coefficients, where gated bidirectional cross-attention exchanges information and adaptively fuses the resulting representations. Experiments on real-world data from multiple cities show that AirFlow achieves the best performance in 34 of 36 metrics comparisons, with reductions of up to 11.11% root mean square error over the state-of-the-art baseline. AirFlow also requires only 0.0483M parameters and 0.0215G FLOPs, achieving high forecasting accuracy with low computational overhead.
• Abstract（参考訳）: 大気質の正確な予測は公衆衛生や都市環境管理に欠かせないが、汚染チャネルは周期性と分布のドリフトが異なるため依然として困難であり、その濃度軌跡には多スケール依存と急激な変化の両方が含まれている。 近年の手法は空間依存学習と気象共変量モデリングを改善している。 しかし、汚染チャネルは依然として同じ正規化規則と時間的バックボーンを通っており、チャンネル固有の分布と異なるレートでの変化の共有潜在表現を用いている。 この制限に対処するため, グラフの伝搬や事前定義された信号の分解を伴わずに, ステーション多変量観測を行う汚染物質を意識した二重ストリームフレームワークであるAirFlowを提案する。 具体的には,(1)24時間の自己相関と分布のドリフトに基づいて各汚染物質に対して正規化経路を選択する統計誘導正規化ルーティング機構,(2)多スケール状態空間伝播と学習可能な応答係数を組み合わせた階層的二重ストリーム状態モデル,という2つの新しいブロックを設計する。 複数の都市の実世界のデータに関する実験によると、AirFlowは36のメトリクス比較のうち34で最高のパフォーマンスを達成しており、最先端のベースラインよりも最大11.11%のルート平均平方誤差を削減している。 AirFlowは0.0483Mパラメータと0.0215G FLOPしか必要とせず、計算オーバーヘッドの少ない高い予測精度を実現している。

関連論文リスト

• FlowATC: Aircraft Trajectory Prediction via Flow Matching [39.046509366232065]
  本稿では,航路ラベルやチャート管理を伴わない,歴史的航空機軌道に特化して訓練されたフローマッチングアーキテクチャを提案する。 我々のモデルは、ネイティブで不規則なADS-Bサンプリング間隔で直接訓練される。 予測地平線により誤差は良好に低下し, 時間的劣化フィードで再トレーニングした場合, アーキテクチャが有効であることを示す。
  論文  参考訳（メタデータ） (2026-09-15T02:21:06Z)
• FSAN: Flow State Attention Network for Aerodynamic Prediction [15.184005307775601]
  本研究では,高精度な空力予測のためのフロー状態注意ネットワーク(FSAN)を提案する。 FSANは、幾何を学習可能なソフト代入によって複数のフロー状態に分割し、フロー機能を使用してこれらの状態表現を更新する。 2つのよく認識された空気力学ベンチマークの実験では、FSANが最も精度が高いことが示されている。
  論文  参考訳（メタデータ） (2026-09-06T15:11:14Z)
• ASPaeroFlow: Decomposition Heuristics for Joint Air Traffic Flow & Capacity Management [60.85136195443409]
  エアトラヒックフロー・キャパシティマネジメント(ATFCM)のためのASPaeroFlowを提案する。 インスタンス空間の分解と、Answer Set Programmingを使った局所的な正確なアプローチを組み合わせる。 私たちはASPaeroFlowを小さなインスタンスから業界規模のインスタンスにベンチマークし、それを正確で代替的なアプローチと比較します。
  論文  参考訳（メタデータ） (2026-08-10T08:57:18Z)
• Spatiotemporal Imputation with Graph-Informed Flow Matching [22.850320477801247]
  欠落したデータは、大気質の監視や都市交通管理など、時間システムの一般的な課題である。 時相計算のためのグラフ内フローマッチングフレームワークであるGiFlowを提案する。
  論文  参考訳（メタデータ） (2026-06-04T19:55:33Z)
• ChainFlow-VLA: Causal Flow Planning with Vision-Language Models [7.814547378443577]
  現在のエンドツーエンドの自動運転システムは、時間的因果推論とグローバルな軌道整合性のミスマッチによって、基本的に制限されている。 本稿では,一貫した確率的枠組みの中で因果生成とグローバルな洗練を統一するChainFlow-VLAを提案する。 実験により、ChainFlow-VLAは曖昧で長い尾のシナリオで堅牢な計画を実現し、NAVSIM v1のリーダーボードで94.85の最先端スコアを達成した。
  論文  参考訳（メタデータ） (2026-05-22T06:17:35Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• AirDDE: Multifactor Neural Delay Differential Equations for Air Quality Forecasting [17.936696054258345]
  AirDDEは遅延モデリングを物理的ガイダンスの下で連続的な汚染物質進化に統合するフレームワークである。 AirDDEは、最高のベースラインに対して平均8.79%のMAE削減で最先端の予測性能を達成する。
  論文  参考訳（メタデータ） (2026-03-18T09:37:36Z)
• One-Step Face Restoration via Shortcut-Enhanced Coupling Flow [2.8265172105754104]
  顔修復のためのショートカット強化結合流(SCFlowFR)を提案する。 LQ-HQ依存性を明示的にモデル化し、パスのクロスオーバーを最小限にし、ニアリニアトランスポートを促進する。 実験により、SCFlowFRは従来の非拡散法に匹敵する推論速度で、最先端の一段階の顔復元品質を達成することが示された。
  論文  参考訳（メタデータ） (2026-03-04T02:11:15Z)
• A comparison between joint and dual UKF implementations for state estimation and leak localization in water distribution networks [3.7373312968044643]
  本稿では,Unscented Kalman Filter(UKF)に基づく2つのデータ駆動状態推定法の比較を行う。 1つのアプローチは1つの推定子を持つ結合状態ベクトルを使い、もう1つは2重推定子スキームを使用する。 L-TOWNベンチマークのいくつかの評価結果を示し、実際の実装でそれらの特性を議論することを可能にする。
  論文  参考訳（メタデータ） (2025-10-28T09:39:41Z)
• Contrastive Flow Matching [61.60002028726023]
  コントラストフローマッチング(Contrastive Flow Matching)は、全ての条件フローに対して一意性を明示するフローマッチング対象の拡張である。 提案手法は,任意のサンプル対からの予測フロー間の相違を最大化するための対照的な目的を与える。 比較フローマッチングによるトレーニングモデル(1)は最大9倍のトレーニング速度,(2)は最大5倍のノイズ除去ステップ,(3)FIDを最大8.9以下に向上させる。
  論文  参考訳（メタデータ） (2025-06-05T17:59:58Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• Over-the-Air Federated Learning and Optimization [52.5188988624998]
  エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。 本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。 エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。 さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
  論文  参考訳（メタデータ） (2023-10-16T05:49:28Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Over-the-Air Federated Learning from Heterogeneous Data [107.05618009955094]
  フェデレートラーニング(Federated Learning、FL)は、集中型モデルの分散ラーニングのためのフレームワークである。 我々は,共通局所勾配勾配勾配(SGD)FLアルゴリズムを強化するコンバージェント OTA FL (COTAF) アルゴリズムを開発した。 我々は,COTAFにより誘導されるプリコーディングが,OTA FLを用いて訓練されたモデルの収束率と精度を顕著に向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-27T08:28:25Z)

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。