一个基于长短期记忆的共弦自适应粒子群集优化方法,用于城市绿区预测

科学领域:

• 环境科学 环境科学
• 城市规划 城市规划
• 数据科学数据科学数据科学

背景情况:

• 准确的城市绿地量化对于可持续的城市发展至关重要.
• 现有的预测模型需要改进以提高准确性.

研究的目的:

• 为城市绿色空间区域预测实施和评估一个共弦自适应粒子群集优化长短期记忆 (CAPSO-LSTM) 模型.
• 将CAPSO-LSTM模型的性能与传统的LSTM和PSO-LSTM框架进行比较.

主要方法:

• 使用了北京 (1998-2021) 的综合数据集.
• 开发了一个 CAPSO-LSTM 模型,集成了用于超参数优化的共弦自适应机制.
• 使用平均绝对误差 (MAE),根平均平方误差 (RMSE) 和平均绝对百分比误差 (MAPE) 进行了比较分析.

主要成果:

• 与LSTM相比,CAPSO-LSTM的准确性得到了显著的改善:MAE下降66.33%,RMSE下降73.78%,MAPE下降57.14%.
• 与PSO-LSTM相比,CAPSO-LSTM显示MAE减少了58.36%,RMSE减少了65.39%,MAPE减少了50%.
• 该模型在量化城市绿色空间方面取得了卓越的预测性能.

结论:

• CAPSO-LSTM模型在提高城市绿色空间区域预测方面非常有效.
• 这项研究强调了该模型在支持知情城市规划和环境政策决策方面的潜力.
• 这些发现强调了先进的优化技术对环境建模的重要性.