Aplicación de un Modelo de Fusión de Aprendizaje Profundo en la Predicción de la Concentración de Material Particulado Fino
Autores: Li, Xizhe; Zou, Nianyu; Wang, Zhisheng
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Aplicación de un Modelo de Fusión de Aprendizaje Profundo en la Predicción de la Concentración de Material Particulado Fino
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Urbanización
Contaminación del aire
Material particulado fino
Modelo de fusión de aprendizaje profundo
CNN-SSA-DBiLSTM-atención
Predicción de concentración de PM
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 6
Citaciones: Sin citaciones
Con el rápido desarrollo de la urbanización, la contaminación del aire ambiente se está volviendo cada vez más grave. De muchos contaminantes, las partículas finas (PM) son el contaminante que afecta en mayor medida el ambiente atmosférico urbano. La predicción de la concentración de partículas finas (PM) es de gran importancia para la salud humana y la protección del medio ambiente. Este artículo propone un modelo de fusión de aprendizaje profundo CNN-SSA-DBiLSTM-atención. Este artículo tomó los datos de observación meteorológica y los datos de contaminantes de ocho estaciones en Bijie desde el 1 de enero de 2015 hasta el 31 de diciembre de 2022 como datos de muestra para el entrenamiento y la prueba. Para los datos obtenidos, primero se procesaron los valores faltantes y los datos obtenidos del análisis de correlación realizado. En segundo lugar, se utilizó una red neuronal convolucional (CNN) para la selección de características. Luego se utilizó DBILSTM para establecer un modelo de red para la relación entre las secuencias de entrada y salida real, y se añadió un mecanismo de atención para mejorar el impacto de la información relevante. El número de unidades en el DBILSTM y la época de toda la red se optimizaron utilizando el algoritmo de búsqueda de gorriones (SSA), y el valor predicho fue la salida después de la optimización. Este artículo predice la concentración de PM en diferentes intervalos de tiempo y estaciones, y hace una comparación con los modelos CNN-DBILSTM, BILSTM y LSTM. Los resultados muestran que el modelo CNN-SSA-DBiLSTM-atención tuvo el mejor efecto de predicción, y su precisión mejoró con el aumento del intervalo de tiempo de predicción. El coeficiente de determinación (R) se mantiene estable en alrededor de 0.95. Los resultados revelaron que el marco de conjunto propuesto CNN-SSA-DBiLSTM-atención es un método confiable y preciso, y verifica los resultados de investigación de este artículo en cuanto a la predicción de la concentración de PM. Esta investigación tiene importantes implicaciones para la salud humana y la protección del medio ambiente. El método propuesto podría inspirar a los investigadores a desarrollar métodos aún más efectivos para la modelización de la contaminación del ambiente atmosférico.
Descripción
Con el rápido desarrollo de la urbanización, la contaminación del aire ambiente se está volviendo cada vez más grave. De muchos contaminantes, las partículas finas (PM) son el contaminante que afecta en mayor medida el ambiente atmosférico urbano. La predicción de la concentración de partículas finas (PM) es de gran importancia para la salud humana y la protección del medio ambiente. Este artículo propone un modelo de fusión de aprendizaje profundo CNN-SSA-DBiLSTM-atención. Este artículo tomó los datos de observación meteorológica y los datos de contaminantes de ocho estaciones en Bijie desde el 1 de enero de 2015 hasta el 31 de diciembre de 2022 como datos de muestra para el entrenamiento y la prueba. Para los datos obtenidos, primero se procesaron los valores faltantes y los datos obtenidos del análisis de correlación realizado. En segundo lugar, se utilizó una red neuronal convolucional (CNN) para la selección de características. Luego se utilizó DBILSTM para establecer un modelo de red para la relación entre las secuencias de entrada y salida real, y se añadió un mecanismo de atención para mejorar el impacto de la información relevante. El número de unidades en el DBILSTM y la época de toda la red se optimizaron utilizando el algoritmo de búsqueda de gorriones (SSA), y el valor predicho fue la salida después de la optimización. Este artículo predice la concentración de PM en diferentes intervalos de tiempo y estaciones, y hace una comparación con los modelos CNN-DBILSTM, BILSTM y LSTM. Los resultados muestran que el modelo CNN-SSA-DBiLSTM-atención tuvo el mejor efecto de predicción, y su precisión mejoró con el aumento del intervalo de tiempo de predicción. El coeficiente de determinación (R) se mantiene estable en alrededor de 0.95. Los resultados revelaron que el marco de conjunto propuesto CNN-SSA-DBiLSTM-atención es un método confiable y preciso, y verifica los resultados de investigación de este artículo en cuanto a la predicción de la concentración de PM. Esta investigación tiene importantes implicaciones para la salud humana y la protección del medio ambiente. El método propuesto podría inspirar a los investigadores a desarrollar métodos aún más efectivos para la modelización de la contaminación del ambiente atmosférico.