Optimizando la red de memoria a largo plazo y corto plazo para la predicción de la contaminación del aire utilizando un novedoso algoritmo de optimización binaria de Chimp
Autores: Baniasadi, Sahba; Salehi, Reza; Soltani, Sepehr; Martín, Diego; Pourmand, Parmida; Ghafourian, Ehsan
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Optimizando la red de memoria a largo plazo y corto plazo para la predicción de la contaminación del aire utilizando un novedoso algoritmo de optimización binaria de Chimp
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Materia particulada fina
Contaminación del aire
Redes LSTM
Aprendizaje profundo
BChOA
Algoritmos de optimización
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 37
Citaciones: Sin citaciones
Niveles elevados de material particulado fino (PM) en la atmósfera presentan riesgos sustanciales para la salud y el bienestar humanos. La evaluación precisa de las concentraciones de PM desempeña un papel fundamental en facilitar respuestas rápidas por parte de los organismos reguladores pertinentes para mitigar la contaminación del aire. Además, proporciona información indispensable para estudios epidemiológicos que se centran en la exposición al PM. En los últimos años, los modelos predictivos basados en aprendizaje profundo (DL) han ofrecido promesas para mejorar la precisión y eficiencia de las previsiones de calidad del aire en comparación con otros enfoques. Las redes de memoria a corto y largo plazo (LSTM) han demostrado ser efectivas en tareas de pronóstico de series temporales, incluida la predicción de la contaminación del aire. Sin embargo, la optimización de los modelos LSTM para una mayor precisión y eficiencia sigue siendo un área de investigación en curso. En este documento, proponemos un enfoque novedoso que integra el novedoso algoritmo de optimización binaria de chimpancés (BChOA) con redes LSTM para optimizar los modelos de predicción de contaminación del aire. El BChOA propuesto, inspirado en el comportamiento social de los chimpancés, proporciona una técnica de optimización potente para ajustar la arquitectura LSTM y optimizar sus parámetros. La evaluación de los resultados se realiza utilizando métodos de validación cruzada como el coeficiente de determinación (), precisión, error cuadrático medio (RMSE) y la curva característica de operación del receptor (ROC). Además, el rendimiento del modelo BChOA-LSTM se compara con ocho arquitecturas de DL. Las evaluaciones experimentales utilizando datos reales de contaminación del aire demuestran el rendimiento superior del modelo BChOA-LSTM propuesto en comparación con los modelos LSTM tradicionales y otros algoritmos de optimización. El modelo BChOA-LSTM logró la mayor precisión del 96,41% en los conjuntos de datos de validación, convirtiéndolo en el enfoque más exitoso. Los resultados muestran que la arquitectura BChOA-LSTM tiene un mejor rendimiento que las otras arquitecturas en términos de la curva de convergencia, RMSE y precisión.
Descripción
Niveles elevados de material particulado fino (PM) en la atmósfera presentan riesgos sustanciales para la salud y el bienestar humanos. La evaluación precisa de las concentraciones de PM desempeña un papel fundamental en facilitar respuestas rápidas por parte de los organismos reguladores pertinentes para mitigar la contaminación del aire. Además, proporciona información indispensable para estudios epidemiológicos que se centran en la exposición al PM. En los últimos años, los modelos predictivos basados en aprendizaje profundo (DL) han ofrecido promesas para mejorar la precisión y eficiencia de las previsiones de calidad del aire en comparación con otros enfoques. Las redes de memoria a corto y largo plazo (LSTM) han demostrado ser efectivas en tareas de pronóstico de series temporales, incluida la predicción de la contaminación del aire. Sin embargo, la optimización de los modelos LSTM para una mayor precisión y eficiencia sigue siendo un área de investigación en curso. En este documento, proponemos un enfoque novedoso que integra el novedoso algoritmo de optimización binaria de chimpancés (BChOA) con redes LSTM para optimizar los modelos de predicción de contaminación del aire. El BChOA propuesto, inspirado en el comportamiento social de los chimpancés, proporciona una técnica de optimización potente para ajustar la arquitectura LSTM y optimizar sus parámetros. La evaluación de los resultados se realiza utilizando métodos de validación cruzada como el coeficiente de determinación (), precisión, error cuadrático medio (RMSE) y la curva característica de operación del receptor (ROC). Además, el rendimiento del modelo BChOA-LSTM se compara con ocho arquitecturas de DL. Las evaluaciones experimentales utilizando datos reales de contaminación del aire demuestran el rendimiento superior del modelo BChOA-LSTM propuesto en comparación con los modelos LSTM tradicionales y otros algoritmos de optimización. El modelo BChOA-LSTM logró la mayor precisión del 96,41% en los conjuntos de datos de validación, convirtiéndolo en el enfoque más exitoso. Los resultados muestran que la arquitectura BChOA-LSTM tiene un mejor rendimiento que las otras arquitecturas en términos de la curva de convergencia, RMSE y precisión.