基于季节性趋势分解的树突神经元模型对PM2.5时间序列的预测
Zijing Yuan1, Shangce Gao1, Yirui Wang2
1Faculty of Engineering, University of Toyama, Toyama-shi, 930-8555 Japan.
Neural computing & applications
|June 5, 2023
概括
这项研究引入了一种新的DS-DNM模型,用于准确预测细颗粒物 (PM2.5) 度. 该模型在预测空气污染水平方面表现出卓越的表现,这对公共卫生至关重要.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 工业发展有助于空气污染,细颗粒物 (PM2.5) 对健康构成重大风险.
- 准确预测PM2.5度对于环境监测和公共卫生保护至关重要.
研究的目的:
- 开发和评估一种用于准确预测PM2.5度的新型模型.
- 根据现有的算法和预测方法,评估拟议模型的性能.
主要方法:
- 提出了一种由改进的物质状态启发式算法 (DSMS) 训练的树突神经元模型 (DNM),称为DS-DNM.
- 使用STL-LOESS进行数据预处理,将PM2.5数据分解为季节性,趋势和残余组件.
- 通过DSMS训练的DNM预测了剩余值,然后将其与其他组件结合起来进行最终预测.
主要成果:
- DS-DNM模型在5个现实数据集的PM2.5度预测中展示了竞争性表现.
- 对比分析验证了DSMS训练算法的有效性和DS-DNM预测模型的准确性.
结论:
- 拟议的DS-DNM模型为PM2.5度预测提供了强大而准确的解决方案.
- 这种方法有助于改善空气质量管理和减轻污染相关健康问题的缓解策略.
