相关实验视频

Updated: Jul 27, 2026

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Published on: February 25, 2013

基于4D图形卷积神经网络的多个城市多种空气污染物的时空数据预测

Li Wang¹, Qianhui Tang¹, Xiaoyi Wang²

¹Beijing Laboratory for Intelligent Environmental Protection, School of Artificial Intelligence, Beijing Technology and Business University, Beijing, China.

|December 22, 2023

概括

本研究引入了一种新的四维定向图形卷积网络长短记忆 (4D-DGCN-LSTM) 模型,用于准确的多城市,多污染物空气质量预测. 该模型通过捕捉复杂的时空相关性,显著提高了预测准确性.

科学领域:

环境科学与工程环境科学与工程
人工智能的人工智能
数据科学数据科学数据科学

背景情况:

当前的一维无定向图形神经网络在多城市污染物预测中努力捕捉复杂的二维空间和定向相关性.
准确预测大气污染物度对于公共卫生和环境管理至关重要.

研究的目的:

开发一种新的四维定向图形卷积网络长短记忆 (4D-DGCN-LSTM) 模型,用于增强多城市,多污染物预测.
在大气污染物数据中有效捕获二维空间定向信息,节点相关性和时间动态.

主要方法:

构建一个包含城市地理位置的四维定向图形卷积网络 (4D-DGCN) 模型.
应用光谱分解和张量运算用于图的里埃分析.
整合长期短期记忆 (LSTM) 网络,用于时空特征提取和污染物度预测.

主要成果:

与现有模型相比,4D-DGCN-LSTM模型在预测大气污染物度方面表现优越.
显著的平均绝对误差 (MAE) 降低了1.12% (vs.4D-DGCN),4.91% (vs. GCN-LSTM),5.62% (vs. GCN) 和11.67% (vs. LSTM) 的时间.
准则相关性分析证实了太湖城市集群2020年大气数据中的时间,空间和多因素相关性.

结论:

拟议的4D-DGCN-LSTM模型通过整合定向的空间和时间信息,有效地解决了以前方法的局限性.
这种先进的模型提供了一个强大的解决方案,可以准确可靠地预测不同城市的多种大气污染物.
这些发现突显了复杂的图形神经网络和LSTM在环境大数据分析和预测中的潜力.

更多相关视频

Real-time Breath Analysis by Using Secondary Nanoelectrospray Ionization Coupled to High Resolution Mass Spectrometry

Real-time Breath Analysis by Using Secondary Nanoelectrospray Ionization Coupled to High Resolution Mass Spectrometry

Published on: March 9, 2018

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

相关概念视频

Linear Approximations

Linear Approximations

For a differentiable function of two variables, linear approximation estimates values near a known point by replacing the curved surface with its tangent plane. Consider the function\begin{equation*}f(x,y)=x^2+3y^2\end{equation*}near the point (2, 1). The exact value at this point is f(2, 1) = 22 + 3(1)2 = 4 + 3 = 7.The linear approximation of f(x, y)) near (a, b) is\begin{equation*}L(x,y)=f(a,b)+f_x(a,b)(x-a)+f_y(a,b)(y-b)\end{equation*}First, compute the partial derivatives: fx(x, y) = 2x and...