整合DS证据理论和多个深度学习框架,用于对空气质量进行时间序列预测
Siling Feng1, Le Tang1, Mengxing Huang2
1School of Information and Communication Engineering, Hainan University, No. 58 Renmin Avenue, Haikou, 570028, Hainan, China.
Scientific reports
|February 18, 2025
概括
这项研究引入了一个新的框架,将DS证据理论与深度学习相结合,以改善空气质量预测. 综合模型提高了对短期,中期和长期空气污染事件的预测准确度.
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:
- 准确的空气质量时间序列预测对于早期发现空气污染事件至关重要.
- 由于污染物特征和复杂的气象学,现有的单变量预测模型在准确性,稳定性和概括性方面扎.
研究的目的:
- 开发一个综合框架,将DS证据理论和深度学习模型结合起来,以提高空气质量预测.
- 解决当前空气质量预测方法的准确性,稳定性和通用性的局限性.
主要方法:
- 收集了来自中国三个城市的空气质量数据,重点关注五个污染指标.
- 建立并比较六种深度学习模型 (MLP,RNN,CNN,LSTM,BI-LSTM,GRU) 进行短期,中期和长期预测.
- 使用DS证据理论开发了融合模型,整合了表现最好的模型的预测和可靠性.
主要成果:
- 为不同的预测视野 (短期,中期,长期) 选择了三个最佳模型.
- 与低于最佳的架构相比,DS证据理论融合模型显著改善了性能指标:MAE增长7.42%,RMSE增长4.25%,MAPE增长12.82%.
- 融合模型在个人深度学习模型上表现出卓越的性能.
结论:
- 将DS证据理论与多种深度学习算法的整合为准确的空气质量水平预测提供了一种有效的方法.
- 这一框架有望改善各种城市环境中的长期空气质量预测.
- 该研究强调了混合模型在应对复杂的环境数据挑战方面的潜力.
