基于时空注意力,ResNet和ConvLSTM的污染物度预测
Cai Chen1,2, Agen Qiu2, Haoyu Chen3
1School of Geomatics and Urban Spatial Informatics, Beijing University of Civil Engineering and Architecture, Beijing 102616, China.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
这项研究介绍了STA-ResConvLSTM,这是一种用于准确预测空气污染物度的新型深度学习模型. 该模型有效地捕捉复杂的时空相关性,在短期和长期预测方面表现优于现有的方法.
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:
- 准确的空气污染物度预测对于公共卫生和政策至关重要.
- 现有的模型与污染的动态性质作斗争,限制了时空相关性提取.
- 预测的不确定性和不稳定性阻碍了空气污染事件的有效管理.
研究的目的:
- 为准确的空气污染物度预测提出一个强大的污染物预测模型 (STA-ResConvLSTM).
- 加强从污染物和气象数据中提取时空相关性.
- 提高空气质量预测的可靠性和稳定性.
主要方法:
- 开发了一个深度学习模型,将残余神经网络 (ResNet) 与时空注意力机制 (STA-ResNet) 集成在一起.
- 采用卷积长期短期记忆神经网络 (ConvLSTM) 来进一步分析由STA-Res.Net提取的特征.
- 将该模型应用于北京周围的城市聚集地,以进行时空特征提取和预测.
主要成果:
- 与基线模型相比,STA-ResConvLSTM模型显示出更高的准确性和稳定性.
- 在单步污染物度预测中获得了9.82的平方根平均误差 (RMSE).
- 在长达48小时的多步预测中获得了令人满意的平均RMSE13.49.
结论:
- 拟议的STA-ResConvLSTM模型通过捕捉复杂的时空动态,有效地预测空气污染物度.
- 在剩余网络中整合时空注意力机制显著提高了预测能力.
- 该模型为短期和长期空气质量预测提供了可靠的解决方案,性能优于现有方法.
