論文の概要: Predicting Spatiotemporal Mobile Sensing-Based PM2.5 Concentrations Using Low-Rank Adapted Spatially Attentive Graph Neural Network

• arxiv url: http://arxiv.org/abs/2609.04693v1
• Date: Fri, 04 Sep 2026 03:50:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.902517
• Title: Predicting Spatiotemporal Mobile Sensing-Based PM2.5 Concentrations Using Low-Rank Adapted Spatially Attentive Graph Neural Network
• Title（参考訳）: 低ランク適応空間減衰型グラフニューラルネットワークを用いた時空間移動センシングに基づくPM2.5濃度の予測
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.7768447567837418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban air quality can vary significantly along transit corridors, necessitating high-resolution monitoring. This work introduces a novel mobile-sensing dataset from Surat, Gujarat, India, comprising PM$*{2.5}$ concentrations, meteorological variables (temperature, humidity, wind speed, wind direction), and land-use features. To represent the spatiotemporal data as a graph, two node-definition strategies were used: (i) uniform segmentation (200--400~m intervals) and (ii) DBSCAN clustering to adaptively group dense observations. For each node, rolling mean and standard deviation of meteorological variables were computed. To model this high-dimensional data, we propose a SA-GNN for fine-grained, short-term PM$*{2.5}$ forecasting and hotspot identification. We compared SA-GNN with LSTM, RNN, GRU, and ANN models. These models performed well on low-resolution data but had difficulty capturing rapidly changing patterns in urban air quality. SA-GNN employs cluster-specific GRUs to capture localized temporal dependencies and a Graph Attention Network to learn spatial heterogeneity. This hybrid architecture effectively models rapid fluctuations and complex spatial interactions. On our dataset, SA-GNN achieved $R^2 = 0.95$, RMSE $= 6.8$, and MAE $= 4.2~\si{\micro\gram\per\meter\cubed}$, outperforming all baseline models. Combining spatial clustering with adaptive attention significantly improves forecasting, enabling real-time, fine-grained monitoring and supporting personalized exposure tracking and timely alerts for healthier cities.
• Abstract（参考訳）: 都市の空気質は交通路に沿って大きく変化し、高解像度の監視を必要とする。 本研究は,インド・グジャラート州サラートから,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新しい移動センシングデータセットを紹介する。 時空間データをグラフとして表現するために、2つのノード定義戦略が用いられた。 (i)均一セグメンテーション(200～400~m間隔)、 (II)密度観測を適応的にグループ化するDBSCANクラスタリング。 各ノードの転がり平均値と気象変数の標準偏差を計算した。 この高次元データをモデル化するために、細粒度で短期的な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。 我々は,SA-GNNをLSTM,RNN,GRU,ANNモデルと比較した。 これらのモデルは低分解能データでは良好に動作したが,都市大気質の急激な変化パターンの把握は困難であった。 SA-GNNはクラスタ固有のGRUを使用して、局所的な時間的依存関係をキャプチャし、グラフアテンションネットワークを使って空間的不均一性を学ぶ。 このハイブリッドアーキテクチャは、高速なゆらぎと複雑な空間的相互作用を効果的にモデル化する。 我々のデータセットでは、SA-GNNは、R^2 = 0.95$、RMSE $= 6.8$、MAE $= 4.2~\si{\micro\gram\per\cubed}$を達成し、すべてのベースラインモデルを上回った。 空間クラスタリングと適応的な注意とを組み合わせることで、予測が大幅に改善され、リアルタイムできめ細かいモニタリングが可能になり、パーソナライズされた露出追跡と、より健康な都市へのタイムリーな警告がサポートされる。

関連論文リスト

• 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)
• 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)
• No One-Model-Fits-All: Uncovering Spatio-Temporal Forecasting Trade-offs with Graph Neural Networks and Foundation Models [8.918505166222875]
  本研究は,空間センサ密度とサンプリング間隔の異なる予測モデルについて,系統的研究を行った。 以上の結果から,STGはセンサ配置が小さく,サンプリングレートが適度である場合に有効であることが示唆された。 重要なことは、TSFMは高周波で競合するが、隣り合うセンサーからの空間被覆が減少すると劣化する。
  論文  参考訳（メタデータ） (2025-11-07T11:50:39Z)
• 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)
• Spatio-Temporal Forecasting of PM2.5 via Spatial-Diffusion guided Encoder-Decoder Architecture [9.955223104442755]
  本稿では,PM2.5濃度の予測に係わる依存関係を具体的に把握するS-Temporal Graph Networkアーキテクチャを提案する。 本モデルは,グラフニューラルネットワーク(Transformerv)を付加した再帰単位(GRU)を利用して空間拡散を考慮したエンコーダ・デコーダアーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2024-12-18T15:18:12Z)
• 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)
• 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)
• 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)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather Forecasting [13.317147032467306]
  複数の局における気象変数間の時間的相互相関をモデル化するためのグラフ階層時空間ニューラルネットワーク(HiSTGNN)を提案する。 3つの実世界の気象データセットの実験結果は、HiSTGNNが7つの基準線を超える優れた性能を示した。 特に最先端の天気予報法と比較して誤差を4.2%から11.6%に減らす。
  論文  参考訳（メタデータ） (2022-01-22T17:30:46Z)

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。