Multi-step forecast of PM2.5 and PM10 concentrations using convolutional neural network integrated with spatial–temporal attention and residual learning
Notice bibliographique
Résumé
Accurate and reliable forecasting of PM2.5 and PM10 concentrations is important to the public to reasonably avoid air pollution and for the governmental policy responses. However, the prediction of PM2.5 and PM10 concentrations has great uncertainty and instability because of the dynamics of atmospheric flows, making it difficult for a single model to efficiently extract the spatial–temporal dependences. This paper reports a robust forecasting system to achieve accurate multi-step ahead forecasting of PM2.5 and PM10 concentrations. First, correlation analysis is adopted to screen the spatial information on pollution and meteorology that may facilitate the prediction of concentrations in a target city. Then, a spatial–temporal attention mechanism is used to assign weights to original inputs from both space and time dimensions to enhance the essential information. Subsequently, the residual-based convolutional neural network with feature extraction capabilities is employed to model the refined inputs. Finally, five accuracy metrics and two additional statistical tests are applied to comprehensively assess the performance of the proposed forecasting system. In addition, experimental studies of three major cities in the Yangtze River Delta urban agglomeration region indicate that the forecasting system outperforms various prevalent baseline models in terms of accuracy and stability. Quantitatively, the proposed STA-ResCNN model reduces root mean square error by 5.595 %-15.247 % and 6.827 %-16.906 % for the average of 1–4 h ahead predictions in three major cities of PM2.5 and PM10, respectively, compared to baseline models. The applicability and generalization of the proposed forecasting system are further verified by the extended applications in the other 23 cities in the entire region. The results prove that the forecasting system is promising in the early warning, regional prevention, and control of air pollution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».