改进PM2.5预测与时空特征提取和化学成分:RCG注意力模型
Ao Li1, Yafei Wang1, Qianqian Qi1
1Beijing Institute of Petrochemical Technology, China.
The Science of the total environment
|October 29, 2024
概括
一个新的RCG-Attention深度学习模型通过整合空间和时间数据来改善PM2.5预测. 该模型提高了空气质量预测的准确性,优于现有的方法.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 大气化学 大气化学
背景情况:
- 颗粒物质 (PM2.5) 预测的准确性往往受到忽视时空因素的限制.
- 准确的PM2.5预测对于公共卫生和环境监测至关重要.
研究的目的:
- 开发一个先进的深度学习模型,以提高PM2.5度的预测.
- 为了提高24小时PM2.5预报的准确性和稳定性.
主要方法:
- 开发了一种新的RCG-Attention模型,将空间特征的残余神经网络 (ResNet) 和时间特征的卷积门循环网络 (ConvGRU) 结合起来.
- 一个多头注意力机制融合了提取的空间和时间特征,结合了化学成分以提高有效性.
- 该模型的性能使用平均绝对误差 (MAE),平均绝对百分比误差 (MAPE),根平均平方误差 (RMSE) 和R平方 (R2) 与基线模型对比进行了评估.
主要成果:
- 与基线模型相比,RCG-Attention模型在多个监测站中表现出优异的预测性能.
- 该模型显示了强大的概括能力和适应能力在城市内的不同地区.
- 在SHAP分析中,PM10,NO2,RH,NO3-,OC和NH4+被确定为PM2.5预测的重要影响因素.
结论:
- RCG-Attention模型通过有效整合时空特征提取和化学成分数据,为PM2.5预测提供了全面的方法.
- 开发的模型为准确和可适应的空气质量预测提供了可靠的工具.
更多相关视频
09:44Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon
Published on: October 16, 2018
10.2K
10:25Construction of Models for Nondestructive Prediction of Ingredient Contents in Blueberries by Near-infrared Spectroscopy Based on HPLC Measurements
Published on: June 28, 2016
10.6K
