Modelo de Predicción de Concentración de PM Utilizando Algoritmos de Fusión GNSS-PWV y RF-LSTM
Autores: Zhang, Mingsong; Li, Li; Dick, Galina; Wickert, Jens; Ma, Huafeng; Meng, Zehua
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Modelo de Predicción de Concentración de PM Utilizando Algoritmos de Fusión GNSS-PWV y RF-LSTM
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Extracción insuficiente
Datos de series temporales de múltiples fuentes
Modelos de predicción de concentración de PM
Datos de PWV
Algoritmo de fusión RF-LSTM
Características clave de entrada
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
La inadecuada selección de características y la extracción insuficiente de datos de series temporales de múltiples fuentes pueden resultar en insensibilidad al ruido histórico y una mala extracción de características para los modelos de predicción de concentración de PM. Los datos de vapor de agua precipitable (PWV) obtenidos del Sistema Global de Navegación por Satélite (GNSS), junto con datos de calidad del aire y meteorológicos recopilados en la ciudad de Suzhou desde febrero de 2021 hasta julio de 2023, se emplearon en este estudio. Se utilizó el análisis de correlación de Spearman y la evaluación de importancia de características del Bosque Aleatorio (RF) para seleccionar características clave de entrada, incluyendo PWV, PM, O, presión atmosférica, temperatura y velocidad del viento. Basado en RF, Memoria a Largo y Corto Plazo (LSTM) y Perceptrón Multicapa (MLP), se desarrollaron cuatro modelos de predicción de concentración de PM utilizando algoritmos de ventana deslizante y fusión. Los resultados experimentales muestran que el error cuadrático medio (RMSE) del modelo de predicción de concentración de PM a 1 hora utilizando el algoritmo de fusión RF-LSTM es 4.36, mientras que sus valores de error absoluto medio (MAE) y error absoluto porcentual medio (MAPE) son 2.63 y 9.3%. En comparación con los algoritmos individuales LSTM y MLP, el RMSE del modelo de predicción de PM RF-LSTM mejora en un 34.7% y un 23.2%, respectivamente. Por lo tanto, el algoritmo de fusión RF-LSTM mejora significativamente la precisión de predicción del modelo de concentración de PM a 1 hora. En cuanto a los modelos de predicción de PM a 2 horas, 3 horas, 6 horas, 12 horas y 24 horas utilizando el algoritmo de fusión RF-LSTM, sus RMSE son 5.6, 6.9, 9.9, 12.6 y 15.3, y sus correspondientes MAPEs son 13.8%, 18.3%, 28.3%, 38.2% y 48.2%, respectivamente. Su precisión de predicción disminuye con un tiempo de pronóstico más largo, pero pueden capturar efectivamente las tendencias de fluctuación de las concentraciones futuras de PM. Los modelos de predicción de PM RF-LSTM son eficientes y confiables para sistemas de alerta temprana en la ciudad de Suzhou.
Descripción
La inadecuada selección de características y la extracción insuficiente de datos de series temporales de múltiples fuentes pueden resultar en insensibilidad al ruido histórico y una mala extracción de características para los modelos de predicción de concentración de PM. Los datos de vapor de agua precipitable (PWV) obtenidos del Sistema Global de Navegación por Satélite (GNSS), junto con datos de calidad del aire y meteorológicos recopilados en la ciudad de Suzhou desde febrero de 2021 hasta julio de 2023, se emplearon en este estudio. Se utilizó el análisis de correlación de Spearman y la evaluación de importancia de características del Bosque Aleatorio (RF) para seleccionar características clave de entrada, incluyendo PWV, PM, O, presión atmosférica, temperatura y velocidad del viento. Basado en RF, Memoria a Largo y Corto Plazo (LSTM) y Perceptrón Multicapa (MLP), se desarrollaron cuatro modelos de predicción de concentración de PM utilizando algoritmos de ventana deslizante y fusión. Los resultados experimentales muestran que el error cuadrático medio (RMSE) del modelo de predicción de concentración de PM a 1 hora utilizando el algoritmo de fusión RF-LSTM es 4.36, mientras que sus valores de error absoluto medio (MAE) y error absoluto porcentual medio (MAPE) son 2.63 y 9.3%. En comparación con los algoritmos individuales LSTM y MLP, el RMSE del modelo de predicción de PM RF-LSTM mejora en un 34.7% y un 23.2%, respectivamente. Por lo tanto, el algoritmo de fusión RF-LSTM mejora significativamente la precisión de predicción del modelo de concentración de PM a 1 hora. En cuanto a los modelos de predicción de PM a 2 horas, 3 horas, 6 horas, 12 horas y 24 horas utilizando el algoritmo de fusión RF-LSTM, sus RMSE son 5.6, 6.9, 9.9, 12.6 y 15.3, y sus correspondientes MAPEs son 13.8%, 18.3%, 28.3%, 38.2% y 48.2%, respectivamente. Su precisión de predicción disminuye con un tiempo de pronóstico más largo, pero pueden capturar efectivamente las tendencias de fluctuación de las concentraciones futuras de PM. Los modelos de predicción de PM RF-LSTM son eficientes y confiables para sistemas de alerta temprana en la ciudad de Suzhou.