Resumen

Lograr predicciones precisas de la concentración urbana de NO2 es esencial para controlar eficazmente la contaminación atmosférica. Este trabajo seleccionó la concentración de NO2 en Tianjin como objeto de investigación, concentrando el modelo de predicción basado en la Transformada de Ondas Discretas y la red de Memoria de Largo y Corto Plazo (DWT-LSTM) para predecir la concentración media diaria de NO2. Se seleccionaron cinco contaminantes atmosféricos principales, datos meteorológicos clave y datos históricos como índices de entrada, realizando la predicción efectiva de la concentración de NO2 en el día siguiente. En primer lugar, los datos de entrada se descompusieron mediante la Transformación Wavelet Discreta para aumentar la dimensión de los datos. Además, se utilizó el modelo de red LSTM para aprender las características de los datos descompuestos. Finalmente, se seleccionaron como modelos de comparación la regresión por vectores de apoyo (SVR), la unidad de regresión cerrada (GRU) y el modelo LSTM simple, y se evaluó el rendimiento de cada uno de ellos mediante el porcentaje medio de error absoluto (MAPE). Los resultados muestran que el modelo DWT-LSTM construido en este trabajo puede mejorar la precisión y la capacidad de generalización de la minería de datos mediante la descomposición de los datos de entrada en múltiples componentes. En comparación con los otros tres métodos, la estructura del modelo es más adecuada para predecir la concentración de NO2 en Tianjin.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:transformada wavelet discreta, datos de entrada, concentración de no2, capacidad de los datos, porcentaje absoluto medio, concentración media de no2, concentración de no2, datos meteorológicos clave, modelo de red lstm, red de memoria de términos
• Keywords:discrete wavelet transform, input data, no2 concentration, ability of data, means absolute percentage, average no2 concentration, concentration of no2, key meteorological data, lstm network model, terms memory network