文献

J-GLOBAL ID：201902270307334864   整理番号：19A2164097

深層学習と転送学習技術を用いた大時間分解能における大気質予測精度の改善【JST・京大機械翻訳】

Improving air quality prediction accuracy at larger temporal resolutions using deep learning and transfer learning techniques

著者 (6件)： Ma Jun (Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology, Hong Kong, China) ,  Cheng Jack C.P. (Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology, Hong Kong, China) ,  Lin Changqing (Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology, Hong Kong, China) ,  Lin Changqing (Division of Environment and Sustainability, The Hong Kong University of Science and Technology, Hong Kong, China) ,  Tan Yi (Sino-Australia Joint Research Center in BIM and Smart Construction, Shenzhen University, Shenzhen, China) ,  Zhang Jingcheng (School of Engineering, The Hong Kong University of Science and Technology, Hong Kong, China)
資料名： Atmospheric Environment  (Atmospheric Environment)
巻： 214  ページ： Null  発行年： 2019年 
JST資料番号： C0382D  ISSN： 1352-2310  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 大気汚染がますます厳しくなるにつれて,大気質予測は大気汚染管理と予防のための重要なアプローチになった。近年,決定論的方法,統計的方法,機械学習法などの大気質を予測するための多くの方法が提案されている。しかし,これらの方法はいくつかの限界を有する。決定論的方法はパラメータ同定のための高価な計算と特定の知識を必要とするが,統計的方法の予測性能は線形仮定と多重共線性問題により制限される。一方,ほとんどの機械学習法は,時系列パターンを捉えることができず,大気汚染物質濃度の長期依存性から学習することができない。さらに,日毎および週毎または月毎のような,より大きな時間分解能での大気質予測のための高い予測精度を生成できる方法の欠如がある。従って,本論文では,大気質予測のために,深い学習ベースの方法,すなわち移動双方向長短期メモリ(TL-BLSTM)モデルを提案した。この方法論フレームワークは,PM2.5の長期依存性から学習するために双方向LSTMモデルを利用し,より小さい時間分解能からより大きな時間分解能まで学習された知識を伝達するために移動学習を適用する。事例研究を中国広東省で行い,提案した方法論フレームワークを試験した。このフレームワークの性能を,他の一般的に見られる機械学習アルゴリズムと比較し,結果は,提案したTL-BLSTMモデルが,特により大きな時間分解能に対して,より小さい誤差を持つことを示した。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 統計的方法 ,  大気汚染 ,  多重化 ,  学習アルゴリズム ,  *時間分解能 ,  機械学習 ,  線形性 ,  記憶装置 ,  事例研究 ,  *学習 ,  *予測 ,  PM2.5
準シソーラス用語： 広東省 ,  *予測精度 ,  *大気質 , 【Automatic Indexing@JST】

著者キーワード (5件)： 大気質予測 ,  大きな時間分解能 ,  深層学習 ,  長期短期記憶 ,  伝達学習

分類 (4件)： 研究開発  (SA01040R) ,  粒状物調査測定  (SB03060E) ,  気圏環境汚染  (SB03020M) ,  大気汚染一般  (SB03010B)

タイトルに関連する用語 (6件)： 深層学習 ,  転送 ,  学習 ,  時間分解能 ,  大気質 ,  予測精度