相关实验视频
Updated: Jul 1, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
针对PM2.5度预测的深度学习架构:一篇综述
Shiyun Zhou1,2, Wei Wang1, Long Zhu3
1Institute of Environmental Information, Chinese Research Academy of Environmental Sciences, Beijing 100012, China.
Environmental science and ecotechnology
|March 5, 2024
概括
准确的细颗粒物 (PM2.5) 预测至关重要. 本次审查对PM2.5预测的深度学习模型进行了分类,并提出了一个新的框架 (DMES) 来标准化其评估,以加强未来的空气质量研究.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 精确预测细颗粒物 (PM2.5) 对于评估空气污染和公共卫生风险至关重要.
- 深度学习 (DL) 模型越来越多地用于PM2.5预测,但缺乏标准化的评估框架.
研究的目的:
- 系统地审查基于深度学习的混合模型,用于PM2.5预测.
- 为了分类和比较各种DL模型的性能,复杂性和可解释性.
- 引入一个新的评估框架 (DMES) 以标准化基于DL的PM2.5预测模型.
主要方法:
- 按照PRISMA指南进行系统的文献审查.
- 将PM2.5DL方法分为七种类型 (四种基于DL的,三种混合的).
- 对模型复杂性,有效性,创新性和可解释性的比较分析.
主要成果:
- 既定的DL架构是高效的,但往往缺乏创新和可解释性.
- 混合模型与传统方法提供可解释性,但牺牲准确性/速度.
- 新的混合DL模型显示了创新,但面临着解释性挑战.
结论:
- 基于DL的PM2.5预测需要一个统一和标准化的评估框架.
- 拟议的数据集-方法-实验标准 (DMES) 框架旨在标准化模型评估.
- 这项工作为提高PM2.5预测研究中DL模型使用质量和标准化的基础.
