Análisis Comparativo de Múltiples Modelos de Aprendizaje Profundo para la Predicción de Concentraciones Mensuales de PM en el Ambiente: Un Estudio de Caso en la Ciudad de Dezhou, China
Autores: He, Zhenfang; Guo, Qingchun
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Análisis Comparativo de Múltiples Modelos de Aprendizaje Profundo para la Predicción de Concentraciones Mensuales de PM en el Ambiente: Un Estudio de Caso en la Ciudad de Dezhou, China
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Contaminación del aire ambiente
Modelos de aprendizaje profundo
Método de pronóstico
CNN-GRU-LSTM
Concentraciones de PM
Pronóstico predictivo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
La contaminación del aire ambiente afecta la salud humana, el crecimiento vegetativo y el desarrollo socioeconómico sostenible. Por lo tanto, se recopilan datos de contaminación del aire en la ciudad de Dezhou, China, desde enero de 2014 hasta diciembre de 2023, y se utilizan múltiples modelos de aprendizaje profundo para pronosticar las concentraciones de PM de la contaminación del aire. La capacidad de los múltiples modelos se evalúa y compara con los datos observados utilizando varios parámetros estadísticos. Aunque los ocho modelos de aprendizaje profundo pueden llevar a cabo tareas de pronóstico de PM, la precisión del método de pronóstico CNN-GRU-LSTM es un 34.28% superior a la del método de pronóstico ANN. El resultado muestra que CNN-GRU-LSTM tiene el mejor rendimiento de pronóstico en comparación con los otros siete modelos, logrando un R (coeficiente de correlación) de 0.9686 y un RMSE (error cuadrático medio) de 4.6491 g/m. Los valores de RMSE de los modelos CNN, GRU y LSTM son un 57.00%, 35.98% y 32.78% más altos que los del método CNN-GRU-LSTM, respectivamente. Los resultados del pronóstico revelan que el predictor CNN-GRU-LSTM mejora notablemente el rendimiento de los modelos de referencia CNN, GRU y LSTM en el pronóstico general. Este método de investigación proporciona una nueva perspectiva para el pronóstico predictivo de las concentraciones de PM de la contaminación del aire ambiente. Los resultados de la investigación del modelo predictivo proporcionan una base científica para la prevención y control de la contaminación del aire.
Descripción
La contaminación del aire ambiente afecta la salud humana, el crecimiento vegetativo y el desarrollo socioeconómico sostenible. Por lo tanto, se recopilan datos de contaminación del aire en la ciudad de Dezhou, China, desde enero de 2014 hasta diciembre de 2023, y se utilizan múltiples modelos de aprendizaje profundo para pronosticar las concentraciones de PM de la contaminación del aire. La capacidad de los múltiples modelos se evalúa y compara con los datos observados utilizando varios parámetros estadísticos. Aunque los ocho modelos de aprendizaje profundo pueden llevar a cabo tareas de pronóstico de PM, la precisión del método de pronóstico CNN-GRU-LSTM es un 34.28% superior a la del método de pronóstico ANN. El resultado muestra que CNN-GRU-LSTM tiene el mejor rendimiento de pronóstico en comparación con los otros siete modelos, logrando un R (coeficiente de correlación) de 0.9686 y un RMSE (error cuadrático medio) de 4.6491 g/m. Los valores de RMSE de los modelos CNN, GRU y LSTM son un 57.00%, 35.98% y 32.78% más altos que los del método CNN-GRU-LSTM, respectivamente. Los resultados del pronóstico revelan que el predictor CNN-GRU-LSTM mejora notablemente el rendimiento de los modelos de referencia CNN, GRU y LSTM en el pronóstico general. Este método de investigación proporciona una nueva perspectiva para el pronóstico predictivo de las concentraciones de PM de la contaminación del aire ambiente. Los resultados de la investigación del modelo predictivo proporcionan una base científica para la prevención y control de la contaminación del aire.