Resumen

Con el objetivo de remediar el problema de la baja precisión de predicción de los modelos existentes de predicción de contaminantes atmosféricos, se diseñó un modelo de red profunda de autoencodificador de eliminación de ruido (DAEDN) basado en redes de memoria a corto plazo (LSTM). Este modelo creó un autocodificador de reducción de ruido con una red LSTM para extraer las características inherentes de la calidad del aire de los datos de monitorización originales e implementar el procesamiento de reducción de ruido en los datos de monitorización para mejorar la precisión de las predicciones de la calidad del aire. La estructura de la red LSTM en el modelo DAEDN se diseñó como LSTM bidireccional (Bi-LSTM) para resolver el problema del desfase en los resultados de predicción LSTM unidireccional y, de este modo, mejorar aún más la precisión de predicción del modelo de predicción. Utilizando datos de series temporales de contaminantes atmosféricos, se entrenó el modelo DAEDN con datos de concentración horaria de PM2,5 recogidos en Pekín durante 5 años. Los resultados experimentales muestran que el modelo DAEDN puede extraer características más estables de la entrada ruidosa una vez completado el entrenamiento. Los modelos se evaluaron mediante RMSE y MAE, y los resultados muestran que los índices son 15,504 y 6,789; en comparación con LSTM unidireccional, se reduce en un 7,33 y 5,87%, respectivamente. Además, el nuevo modelo de predicción consideró esencialmente las propiedades de las series temporales de la predicción de la concentración de contaminantes espaciales y los big data medioambientales totalmente integrados, como la monitorización de la calidad del aire, la monitorización meteorológica y la predicción.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:modelo daedn, modelos de predicción de contaminantes atmosféricos, datos de concentración horaria de pm2,5, características inherentes a la calidad del aire, datos de series temporales de contaminantes, resultados unidireccionales de predicción lstm, estructura de red lstm, vigilancia de la calidad del aire, predicciones de la calidad del aire, big data medioambiental
• Keywords:daedn model, air pollutant prediction models, hourly pm2.5 concentration data, inherent air quality characteristics, pollutant time series data, unidirectional lstm prediction results, lstm network structure, air quality monitoring, air quality predictions, environmental big data