基于混合深度学习框架的深度空气质量预测
提出了一种双重深度神经网络(D-DNet)预测与数据同化系统,能够高效整合实时观测,确保可靠的运营预测。D-DNet 在 PM2.5 和 AOD550 的全球运营预测方面表现优秀,在 2019 年整年内保持一致的准确性,并比 Copernicus Atmosphere Monitoring Service (CAMS) 4D-Var 运营预测系统具有显著的高效性,同时保持可比较的准确性。这种高效性有利于集合预测、不确定性分析和大规模任务。
Jun, 2024
研究探讨了气候因素对空气质量的影响,通过对比回归模型与 K-Means 聚类、层次聚类和随机森林技术来分析。我们使用基于物理学的深度学习 (Physics-based Deep Learning, PBDL) 和长短期记忆 (Long Short-Term Memory, LSTM) 方法来研究空气污染预测。分析使用了挪威三个主要城市 2009 年至 2018 年的每日交通、天气和空气污染数据。特征选择的结果显示,采暖度日增加与空气污染水平增加之间存在相关性,这表明挪威的采暖活动是空气质量恶化的一个因素。PBDL 方法在空气污染预测方面表现出较高的准确性,相较于 LSTM 方法更为优越。本文对于基于环境变量的 PBDL 方法进行更准确的空气污染预测的增长文献做出了贡献,有助于决策者制定有效的数据驱动型气候政策。
May, 2024
本研究提出了一种基于层次图神经网络的空气质量预测方法 HighAir,采用编码器 - 解码器结构,并考虑了天气和土地利用等复杂的影响因素,动态调整边缘权重以建模动态因素与空气质量的相关性,实验结果表明 HighAir 显著优于其他方法.
Jan, 2021
研究使用 PSO 优化深度学习的架构,以进行北京 PM 2.5 数据集的预测,结果表明 PSO-LSTM 是最好的模型,可用于空气污染管理推荐。
Jun, 2023
通过使用图像数据预测空气质量、评估肺病严重程度的整合方法,以提高 AQI 和肺病严重程度的准确性,并达到了 87.44% 的 AQI 预测准确率和 97.5% 的肺病严重程度评估准确率。
May, 2024
本论文提出了一种名为 AirPhyNet 的物理引导神经网络方法,通过将空气颗粒运动的物理原理(扩散和平流)表示为微分方程网络,并利用图结构将物理知识整合到神经网络架构中,从而捕捉空气质量数据中的时空关系。实验证明,AirPhyNet 在不同测试场景下(包括不同前瞻时段、稀疏数据和突变预测)优于现有模型,预测误差降低了 10%。此外,案例研究进一步验证了我们的模型捕捉了颗粒运动的基本物理过程,并生成了具有真实物理意义的准确预测。
Feb, 2024
基于图卷积网络和门控循环单元(M2G2)的多空间多时间空气质量预测方法弥合了空气质量预测跨空间和时间尺度的差距,并通过多尺度空间图卷积(MS-GCN)和多尺度时间门控循环单元(MT-GRU)模块实现了综合信息交换与整合,提高了 accuracy。
Dec, 2023
本文提出了一种混合多模态深度学习方法用于短期交通流量预测,可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系,通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明,该模型能够有效地处理复杂的非线性城市交通流预测问题。
Mar, 2018
利用 Sentinel-5P 卫星、气象条件和拓扑特征的数据,本研究引入了一系列机器学习模型来预测未来 5 种主要污染物的水平。通过在米兰都市区进行的实验,这些模型在预测未来一天的污染物水平方面表现出了良好的效果,误差率约为 30%。该研究对提升我们对城市空气质量动态的理解以及强调结合卫星、气象和地形数据来开发强大的污染物预测模型的重要性做出了贡献。
May, 2024
本研究利用两个月的空气质量数据,通过提出一种新颖的机器学习方法,在全球 197 个首都的世界天气数据库中运用气象、空气污染物和空气质量指数特征,预测下一天的空气质量。通过评估多个机器学习模型,证明了随机森林算法在分类而非回归应用时可靠性预测的有效性,模型的泛化能力提高了 42%,回归交叉验证得分为 0.38,分类交叉验证得分为 0.89。研究还考虑了可解释的机器学习,给出了在高资源和低资源环境中实施该解决方案的成本估算及技术许可商业模式的初步尝试。该研究突出了资源有限国家在等待更大数据集以进一步改进预测能力之际,自主预测空气质量的潜力。
Jan, 2024