一个优化的TCN-LSTM模型用于在地铁系统中预测PM2.5
Canyun Yang1, Zhang Kai1, Xinyuan Wang1
1Jiangsu Co-Innovation Center of Efficient Processing and Utilization of Forest Resources, Nanjing Forestry University, Nanjing 210037, China. hongbinliu@njfu.edu.cn.
Environmental science. Processes & impacts
|May 12, 2025
概括
这项研究引入了一种新的混合模型,将时间卷积网络 (TCN) 和长短期记忆 (LSTM) 结合起来,以预测地铁内的室内空气质量. 该模型准确预测颗粒物 (PM2.5),提高乘客的健康和安全.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 运输工程 运输工程
背景情况:
- 地铁系统对于日常通勤至关重要,室内空气质量对公共健康至关重要.
- 现有的地铁空气质量监测方法可能缺乏预测能力.
- 颗粒物 (PM2.5) 是室内空气质量的关键指标,也是一个严重的健康问题.
研究的目的:
- 开发一个数据驱动的软测量模型,用于预测和优化地铁空气质量指标.
- 加强对公共交通中的室内空气环境的理解和管理.
- 为了准确预测地铁系统中的PM2.5度.
主要方法:
- 开发了一种新的混合模型,集成了时间卷积网络 (TCN) 和长短期记忆 (LSTM).
- 整合了注意力机制,以准确预测PM2.5.5.
- 实验涉及分析来自韩国首尔市政厅站的地铁空气质量数据.
- 优化了TCN模型参数,包括剩余模块大小和卷积内核大小.
主要成果:
- 与基线模型相比,提议的TCN-LSTM模型表现出优越的性能.
- 该模型在PM2.5预测测试集上获得了0.88的确定系数 (R2).
- 混合方法有效地捕捉了室内空气质量数据中的复杂特征.
结论:
- TCN-LSTM模型为预测地铁室内空气质量,特别是PM2.5.5提供了强大而准确的解决方案.
- 这种数据驱动的方法可以帮助优化地铁环境中的空气质量管理.
- 这些发现有助于确保地铁乘客更健康的旅行条件.
