一种混合深度学习空气污染预测方法,基于邻里选择和时空注意力
Gang Chen1,2, Shen Chen3, Dong Li4
1School of Management, Guizhou University, Guiyang, 550025, Guizhou, China.
Scientific reports
|January 29, 2025
概括
这项研究介绍了KSC-ConvLSTM,这是一种用于准确预测空气污染物的新型深度学习模型. 该模型显著提高了PM2.5度的预测准确度,有助于污染控制工作.
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:
- 空气污染是一个重大的全球挑战,工业化和城市化加剧了这一问题.
- 准确预测空气污染物度对于有效的环境管理至关重要.
- 现有的方法在数据冗余性和长期预测准确性方面扎.
研究的目的:
- 开发一种创新的深度学习方法,用于预测空气污染物度.
- 为解决先前研究中发现的数据冗余性和预测准确性的局限性.
- 增强空间和时间特征提取,以改善预测.
主要方法:
- KSC-ConvLSTM模型集成了k-最近的邻居 (KNN),时空注意力 (STA),残余块和卷积长期短期记忆 (ConvLSTM).
- 通过适应性,KNN可以选择相关的邻近数据域.
- 用STA增强的残余块提取空间特征,而ConvLSTM捕获高维的时空模式.
主要成果:
- 在北京PM2.5度的单步,多步和趋势预测中,KSC-ConvLSTM表现优于基准方法.
- 该模型实现了更高的适配精度和预测性能.
- 具体来说,它将1-12小时PM2.5预测的根平均平方误差 (RMSE) 降低了4.216-8.458.
结论:
- 在空气污染物度预测方面,KSC-ConvLSTM方法提供了显著的进步.
- 它显示了改善空气污染预防和控制战略的巨大潜力.
- 该方法有效地提取复杂的空间和时间特征,这些特征对于准确的预测至关重要.
