可解读距离自适应GCN自编码器,用于城市空气质量监测网络中的软传感器验证和远程重建

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 传感器技术 传感器技术

背景情况:

• 空气质量监测系统 (AQMS) 对公共卫生和城市规划至关重要.
• 在AQMS中物理传感器的退化损害了数据可靠性和决策.
• 现有的框架缺乏可靠的方法来验证传感器数据,特别是在故障期间.

研究的目的:

• 引入一个区域范围内的软传感器验证框架,以提高AQMS数据的可靠性.
• 在实时空气质量监测中解决物理传感器退化的局限性.
• 提高环境状况预测和健康风险评估的准确性.

主要方法:

• 开发一个内存集成的图形卷积自编码器 (LSTM-GCN-AE) 用于软传感器验证.
• 在LSTM-GCN-AE架构中实施相关性嵌入式方法.
• 使用可解释性分析来识别图形卷积网络 (GCN) 中的相关节点.

主要成果:

• 相关性嵌入式LSTM-GCN-AE显示在精度故障下重建精度提高了43.4%.
• 与传统的GCN相比,PM2.5传感器的归算性能提高了50.2%.
• 拟议的框架确保了预测和实际环境条件之间的一致性,提高了AQMS数据的可靠性.

结论:

• 新的LSTM-GCN-AE框架显著提高了空气质量监测系统的可靠性和准确性.
• 改进的数据质量支持更有效的健康风险评估和城市空气质量早期预警机制.
• 这种方法为克服AQMS中的物理传感器退化挑战提供了强大的解决方案.