在德里使用CATALYST预测PM2.5污染的新方法
Abhishek Verma1, Virender Ranga2, Dinesh Kumar Vishwakarma2
1Biometric Research Laboratory, Department of Information Technology, Delhi Technological University, Bawana Road, Delhi, -110042, India. abhishekcms08@gmail.com.
Environmental monitoring and assessment
|November 11, 2023
概括
在德里,准确的PM2.5预测对于空气质量管理至关重要. 一个新的混合模型,CATALYST,结合了CNN和变压器架构,可以更好地预测细颗粒物水平.
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:
- 空气污染,特别是PM2.5,在像德里这样的城市地区带来了重大的环境和公共卫生挑战.
- 准确预测PM2.5度对于制定有效的污染控制策略和为政策决策提供信息至关重要.
研究的目的:
- 引入一种新的混合模型,CATALYST (空气质量预测的卷积和变压模型),用于改善德里的PM2.5污染预测.
- 利用深度学习技术,包括卷积神经网络 (CNN) 和变压器架构,进行时间序列空气质量预测.
- 通过创新的输入-输出合方法,解决环境时间序列分析中的数据挑战,例如缺失或部分数据.
主要方法:
- 使用预训练的CNN模型从PM2.5时间序列数据中提取视觉特征.
- 该CATALYST模型,将CNN功能与变压器架构集成在一起,使用滑动窗口方法进行训练,以捕捉时间依赖.
- 变压器组件使用位置编码来分析由气象,地理和人类因素影响的复杂模式.
- 为了处理不完整的环境数据集,实施了一种构建输出数据对的新方法.
主要成果:
- 与ARIMA和LSTM等传统方法相比,CATALYST模型在预测PM2.5污染方面表现优异.
- 实验结果表明,该模型在捕捉PM2.5时间序列数据中的复杂时间动态方面具有有效性.
- 拟议的数据处理技术确保了全面的培训数据集,即使缺少或部分环境信息.
结论:
- 在城市环境中,CATALYST模型为PM2.5污染预测提供了一个有希望和准确的策略.
- 这种混合方法为开发有针对性的减排措施提供了实际应用的潜力.
- 建议对各种现实数据集进行进一步验证,以充分评估CATALYST对环境可持续性和公共健康的适用性和影响.
