論文の概要: Air Quality Station Simulation via LSTM and Attention-Based Modelling
- arxiv url: http://arxiv.org/abs/2608.11839v1
- Date: Wed, 12 Aug 2026 09:26:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.531621
- Title: Air Quality Station Simulation via LSTM and Attention-Based Modelling
- Title（参考訳）: LSTMとアテンションモデルによる大気質ステーションシミュレーション
- Abstract要約: 本稿では,複雑な関係を推論し,複数時間毎の大気質予測を出力する深層学習モデルSATADLを提案する。
世界中の4つの大気質ステーションでSATADLの性能を実演する。
- 参考スコア（独自算出の注目度）: 41.99844472131922
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Poor air quality in urban areas is driven by a complex chain of processes and presents a significant public health concern. To better understand and control the mechanisms that determine air quality, cities deploy networks of measurement stations, and launch initiatives for collecting denser data about the concentration of pollutants in the atmosphere. Extracting insights from the stations relies on their reliable and uninterrupted operation. However, hardware is susceptible to faults and black- outs that may result in data unavailability, which affects the overall quality of analyses. In this paper, we present a deep-learning model, called SATADL, which can infer complex relations and output multiple-hour-ahead air-quality forecasts. The goal of the model is to simulate the mea- surements of an unresponsive station until its operation is restored. The architecture of the model, which allows it to extract information from different aspects of the data, is described in detail and a careful examination of all of its components is provided. We demonstrate the performance of SATADL on four sets of air quality stations from around the world, by using it to simulate the concentration of PM10 for periods of hypothetical failures of one of the measurement stations, lasting for as long as 48 hours. A selection of baseline and published deep learning models were trained and used as a benchmark. The results show that SATADL per- forms better across different prediction windows, for both coefficient of determination and root mean squared error, demonstrating its suitability as a virtual proxy station.
- Abstract（参考訳）: 都市部の大気汚染は複雑なプロセスの連鎖によって引き起こされ、公衆衛生上の重要な懸念が浮かび上がっている。
大気中の汚染物質濃度に関するより密集したデータを収集するための、大気質を決定するメカニズムをよりよく理解し、制御するために、市が測定ステーションのネットワークを配置し、打ち上げイニシアチブを立ち上げる。
駅からの洞察の抽出は、信頼性と中断のない運用に依存している。
しかし、ハードウェアは故障やブラックアウトの影響を受けやすいため、データの可用性が低下し、解析の全体的な品質に影響を及ぼす可能性がある。
本稿では,複雑な関係を推論し,複数時間毎の大気質予測を出力する深層学習モデルSATADLを提案する。
モデルの目的は、その動作が回復するまで、応答しないステーションの単なる確信をシミュレートすることである。
データの各側面から情報を抽出することのできるモデルのアーキテクチャを詳細に記述し、そのコンポーネントのすべてについて慎重に検討する。
本研究では,世界中の4つの大気質ステーションにおけるSATADLの性能を,測定ステーションの1つの仮説的故障期間におけるPM10濃度のシミュレーションに利用し,48時間にわたって持続することを示した。
ベースラインの選択と発行されたディープラーニングモデルをトレーニングし、ベンチマークとして使用した。
その結果、SATADLは、決定係数とルート平均二乗誤差の両方に対して、異なる予測ウィンドウ間でより良く形成され、仮想プロキシステーションとして適していることが示された。
関連論文リスト
- From Deterministic to Generative Deep Learning for Urban Air Quality Reconstruction from Sparse Observations [3.2742981227424006]
大気汚染のフルフィールド再構築は、大気汚染の評価と公衆衛生の意思決定を支援するために不可欠である。
深層学習技術を用いて,NO2,O3,PM2.5,PM10の4つの主要な汚染物質のスパース観察から,高速かつ正確な再構築を行う。
モデルは、フルフィールドシミュレーションデータに基づいてトレーニングされ、パリ市内の9から28の監視ステーションから収集された実世界の観測に基づいて評価される。
論文 参考訳（メタデータ） (2026-07-28T13:03:09Z) - AirQualityBench: A Realistic Evaluation Benchmark for Global Air Quality Forecasting [25.500339307707225]
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。
論文 参考訳（メタデータ） (2026-05-07T08:25:43Z) - Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。
本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。
本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。
結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T11:40:39Z) - 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) - Rule based Complex Event Processing for an Air Quality Monitoring System in Smart City [0.929965561686354]
本研究は,ルールベースの複合イベント処理(CEP)とSPARQLクエリを用いた大気質監視のための統合フレームワークを提案する。
データセットはインドのCPCB(Central Pollution Control Board)から収集され、そのデータは前処理され、Apache Kafkaに渡される。
その結果、前処理されたデータをRDF(Resource Description Framework)データに変換し、CEPエンジンに取り込み込む知識グラフと統合する。
論文 参考訳（メタデータ） (2024-03-16T10:35:34Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - 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) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Modeling Atmospheric Data and Identifying Dynamics: Temporal Data-Driven
Modeling of Air Pollutants [2.578242050187029]
本研究では,マドリードの大気質を研究するためにデータ駆動技術を用いた実証的アプローチを提案する。
汚染物質の濃度と経時変化をモデル化する常微分方程式の擬似系を見いだす。
以上の結果から, 赤池の情報基準は, 最適部分回帰と連動して, スパーシリティと適合の良さの均衡を見出すことが可能であることが示唆された。
論文 参考訳（メタデータ） (2020-10-13T16:46:07Z) - 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。