基于转移学习的空气污染物预测模型,基于两阶段注意力机制
Zhanfei Ma1,2, Bisheng Wang3, Wenli Luo2
1School of Information Science and Technology, Baotou Teachers' College, Baotou, 014010, Inner Mongolia, China.
Scientific reports
|March 29, 2024
概括
这项研究引入了一种新的转移学习模型 (TL-AdaBiGRU),用于准确预测大气污染,特别是在缺乏历史数据的新监测站点. 该模型通过利用过去的数据和独特的两阶段注意力机制显著提高了预测准确性.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 大气污染对区域经济和人类健康构成重大风险,需要准确的预测方法.
- 传统的预测模型因历史数据不足而难以应对新的监测站点.
- 转移学习提供了一种有希望的方法来克服环境监测中的数据限制.
研究的目的:
- 为大气污染物开发一个先进的预测模型,以克服新地点的数据稀缺性.
- 提高空气质量预测的准确性和可靠性.
- 提高预测模型在不同监测地点的可转移性.
主要方法:
- 基于转移学习 (TL-AdaBiGRU) 的两阶段注意力机制模型被提出.
- 该模型使用时间分布表征算法和时间注意力机制将污染物序列划分为周期.
- 一个多头的外部注意力机制挖掘隐藏层的特征,从源头转移到新站点的知识.
主要成果:
- 该TL-AdaBiGRU模型有效地从空气污染物序列的周期段中挖掘关键信息.
- 两阶段的注意力机制成功地捕获了空气污染物数据中的复杂非线性关系.
- 该模型显示了与现有方法相比的显著改进,MAE降低了14%,RMSE降低了13%,MAPE降低了4%.
结论:
- 拟议的TL-AdaBiGRU模型为大气污染预测提供了一个强大的解决方案,特别是在数据稀缺的环境中.
- 转移学习与新的两阶段注意力机制相结合,提高了预测准确性和模型通用性.
- 这些发现突显了先进机器学习技术在环境监测和公共卫生保护方面的潜力.
