使用双向循环神经网络进行日常空气质量指数预测:印度德里的案例研究
Chaitanya Baliram Pande1, Nand Lal Kushwaha2, Omer A Alawi3
1Institute of Energy Infrastructure, Universiti Tenaga Nasional, Kajang, 43000, Malaysia; New Era and Development in Civil Engineering Research Group, Scientific Research Center, Al-Ayen University, Thi-Qar, Nasiriyah, 64001, Iraq.
Environmental pollution (Barking, Essex : 1987)
|April 30, 2024
概括
准确的空气质量指数 (AQI) 预测对于决策至关重要. 双向循环神经网络 (Bi-RNN) 在预测德里每日AQI方面表现出色,优于其他深度学习模型.
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:
- 空气污染在城市地区带来了重大挑战,特别是在印度德里.
- 对空气质量指数 (AQI) 的准确预测对于环境管理和公共卫生至关重要.
- 现有的预测方法包括统计,机器学习 (ML) 和深度学习 (DL) 方法.
研究的目的:
- 开发和评估深度学习模型,用于准确的每日空气质量指数 (AQI) 预测.
- 为了比较双向循环神经网络 (Bi-RNN),长短期记忆 (LSTM),双向LSTM (Bi-LSTM) 和内核回归 (KRR) 的性能,用于AQI预测.
- 确定在印度德里的AQI预测最有效的模型.
主要方法:
- 使用的深度学习模型:LSTM,Bi-LSTM和Bi-RNN.
- 包括内核回归 (KRR) 作为基准模型.
- 训练和测试模型使用每日的德里AQI数据.
主要成果:
- 在培训和测试阶段,Bi-RNN模型始终优于其他模型.
- 双RNN实现了高的确定系数 (R2 = 0.954) 和低的根平均平方误差 (RMSE = 25.755).
- 与Bi-RNN相比,LSTM,Bi-LSTM和KRR模型的性能较低.
结论:
- 双RNN模型展示了强大的预测能力,用于每日AQI预测.
- 准确的AQI预测为制定空气污染控制政策提供了宝贵的基础.
- 该研究强调了充分数据对于培养有效预测模型的重要性.
