基于空气质量预测的大数据分析,使用Hebbian协同和基于注意力的长短期记忆
Sathishkumar Sekar1,2, Zhang Wei3
1School of Software, East China University of Technology, No. 418, Guanglan Avenue, Economic Development District, Nanchang City, Jiangxi Province, China. 201864005@ecut.edu.cn.
Scientific reports
|August 6, 2025
概括
准确的空气质量预测对公共卫生至关重要. 一个新的赫比安对应和基于注意力的长期短期记忆 (HC-ALSTM) 模型显著提高了对颗粒物 (PM) 2.5.5的预测准确性和效率.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 公共卫生 公共卫生
背景情况:
- 由于经济发展而导致的空气质量下降对健康构成重大风险,特别是来自颗粒物 (PM) 2.5.5.
- 准确预测PM 2.5度对于保护公众健康至关重要.
- 空气污染的复杂性需要先进的预测方法.
研究的目的:
- 为准确的空气质量预测提出一种新的方法,Hebbian Concordance和基于注意力的长期短期记忆 (HC-ALSTM).
- 通过整合先进的特征提取和选择技术来解决空气质量预测的复杂性.
- 为了提高预测颗粒物 (PM) 2.5度的准确性和效率.
主要方法:
- 使用统计规范化预处理原始数据来管理污染物影响.
- 使用一般化Hebbian空间时间特征提取算法提取缩小维度的时空特征.
- 使用协同关系分析选择重要的特征,以确定污染物影响.
- 采用基于注意力的长期短期记忆来准确预测空气质量.
主要成果:
- 与现有方法相比,HC-ALSTM方法在预测准确度和计算时间方面表现出优异的性能.
- 使用协同关系的特征选择有效地确定了用于预测的关键污染物影响.
- 该模型在空气质量预测准确度和空中开支方面取得了显著的改进.
结论:
- 拟议的HC-ALSTM方法为准确的空气质量预测提供了一种高度有效的方法.
- 这种方法为减轻空气污染对健康的不利影响提供了有价值的工具.
- 在时空空气质量预测方面,HC-ALSTM 代表了实质性的进步.
