論文の概要: Leveraging Remote Traffic Data for Local Air Pollutant Estimation: A Scenario-Based Machine Learning Study Across London Monitoring Sites
- arxiv url: http://arxiv.org/abs/2608.23219v1
- Date: Fri, 21 Aug 2026 13:11:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.114784
- Title: Leveraging Remote Traffic Data for Local Air Pollutant Estimation: A Scenario-Based Machine Learning Study Across London Monitoring Sites
- Title（参考訳）: 地域大気汚染物質推定のための遠隔交通データを活用したシナリオベース機械学習研究
- Abstract要約: 自動車の交通は大気汚染の主な原因である。
ローカル機械学習(ML)大気汚染モデルへの遠隔取得トラフィック情報の貢献は、まだ不十分である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vehicular traffic is a major source of air pollution; however, the contribution of remotely acquired traffic information to local machine-learning (ML) air-pollution models remains insufficiently characterised. This study evaluates four interpretable tree-based ML models (Random Forest, Extra Trees, LightGBM, and XGBoost) under six predictor scenarios combining progressively larger predictor sets, ranging from remotely acquired traffic, meteorological, and temporal variables alone to the inclusion of measurements from one and four neighbouring monitoring stations, to estimate NO$_2$, PM$_{10}$, PM$_{2.5}$, and O$_3$ concentrations across several sites in London. ML model performance was compared with a ridge linear regression model as a baseline, with spatial interpolation methods and with a cross-site validation experiment. When modelling without data from neighbouring stations, the RMSE for NO$_2$ ranged from 9.73 to 11.66 $μ$g/m$^3$ without traffic information, compared with 8.72 to 11.52 $μ$g/m$^3$ when traffic information was included. Additionally, for NO$_2$, SHAP analyses indicate that traffic-related variables can contribute at levels comparable to pollutant measurements from neighbouring monitoring stations in traffic-dominated~environments.
- Abstract（参考訳）: 車両の交通は大気汚染の主な原因であるが、遠隔で取得した交通情報のローカル機械学習(ML)大気汚染モデルへの貢献は依然として不十分である。
本研究は, 遠隔取得トラフィック, 気象, 時間変数から, NO$_2$, PM$_{10}$, PM$_{2.5}$, およびO$_3$濃度まで, 高度に大きい予測器セットを組み合わせた6つの予測モデル(ランドムフォレスト, エクストラツリー, ライトGBM, およびXGBoost)について検討した。
MLモデルの性能を,ベースラインとしてのリッジ線形回帰モデル,空間補間法,クロスサイト検証実験と比較した。
NO$_2 の RMSE は、近隣の駅からのデータなしでモデリングする場合、交通情報がない場合は 9.73 から 11.66 $μ$g/m$^3$ まで、交通情報が含まれている場合は 8.72 から 11.52 $μ$g/m$^3$ までであった。
さらに、NO$_2$の場合、SHAP分析は、交通が支配する環境における近隣の監視局からの汚染物質測定に匹敵するレベルにおいて、交通関連変数が寄与できることを示している。
関連論文リスト
- Predicting Spatiotemporal Mobile Sensing-Based PM2.5 Concentrations Using Low-Rank Adapted Spatially Attentive Graph Neural Network [1.7768447567837418]
この研究は、インドのグジャラート州スラトで新たに導入されたモバイルセンシングデータセットを紹介した。
PM$*2.5$濃度、気象変数(温度、湿度、風速、風向)、土地利用の特徴を含む。
本稿では,詳細な短期PM$*2.5$予測とホットスポット識別のためのSA-GNNを提案する。
論文 参考訳（メタデータ） (2026-09-04T03:50:32Z) - Unsupervised Detection of Entry and Exit Regions from Vehicle Trajectories for Camera-Agnostic Turning Movement Counts [2.0689823177950397]
教師なしパイプラインは 原車軌道から直接 進入領域と出口領域を識別する
パイプラインクラスター 初期および終点位置 永続的な空間領域を生成する
パイプラインは、高い中央値エラーを犠牲にして、カメラビュー全体の安定性と計算コストの低下を示す。
論文 参考訳（メタデータ） (2026-07-12T22:38:57Z) - Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。
ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-06T16:32:25Z) - MSGAT-GRU: A Multi-Scale Graph Attention and Recurrent Model for Spatiotemporal Road Accident Prediction [0.0]
局所的空間依存と長距離空間依存をキャプチャするグラフアテンション・リカレントモデルMSGAT-GRUを提案する。
ハイブリッド北京事故データセットでは、MSGAT-GRUは0.334のRMSEと0.878のF1スコアを達成し、一貫して強いベースラインを上回っている。
これらの結果は、MSGAT-GRUをインテリジェントトランスポートシステムのスケーラブルで一般化可能なモデルとして位置づけている。
論文 参考訳（メタデータ） (2025-09-22T14:05:23Z) - Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。
スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。
その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
論文 参考訳（メタデータ） (2025-02-03T14:23:23Z) - Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳（メタデータ） (2024-11-01T00:37:00Z) - Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。
近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。
我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文 参考訳（メタデータ） (2024-10-28T09:19:29Z) - 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) - Using remotely sensed data for air pollution assessment [0.0]
この研究の主な目的は、観測データがない場所で汚染物質濃度を推定できるモデルを作成することである。
2019年、イベリア半島の5種類の汚染物質の濃度を予測する機械学習モデルが開発された。
平均値が少し高くなる$O_3$と$PM10$を除いて、全てのモデルでRMSEを許容するクロスバリデーションを提示した。
論文 参考訳（メタデータ） (2024-02-04T14:27:28Z) - Networkwide Traffic State Forecasting Using Exogenous Information: A
Multi-Dimensional Graph Attention-Based Approach [0.0]
本稿では,グラフに基づく交通予測手法(M-STGAT)を提案する。
過去の速度の観測に基づいてトラフィックを予測し、車線閉鎖イベント、温度、交通網の可視性などを予測する。
30分、45分、60分の予測地平線でテストを行う場合、3つの代替モデルを上回る結果が得られた。
論文 参考訳（メタデータ） (2023-10-18T21:57:20Z) - 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) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳（メタデータ） (2020-12-25T01:40:29Z)
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。