PR-FCNN: a data-driven hybrid approach for predicting PM2.5 concentration
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The atmosphere’s fine articulate Matter (PM2.5) poses various health-related risks. Even though multiple efforts have been made to lower the emissions of these substances, the mortality rate is continuously increasing, requiring immediate inclination of the scientific community towards the design and development of advanced predictive models. Conventional statistical approaches have become dormant due to their limitations in capturing the innate relationships between the pollutants, particularly for predicting PM2.5 concentrations. In contrast, machine and deep learning techniques have shown great potential for forecasting air quality, providing more accuracy than its predecessor techniques. The present study investigates the utilization of hybrid approaches by integrating machine learning models with deep learning models to improve the prediction capabilities of PM2.5 concentration. It uses datasets from the World Air Quality Index (WAQI) and the State of Global Air (SOGA) to analyze the performance of the models on both the daily and annual data, respectively. This ensures the model’s effectiveness on a diversified dataset. The present study implements Random Forest (RF), Polynomial Regression (PR), XGBoost, and Extra Tree Regressor (ETR) coupled with Fully Connected Neural Network (FCNN), Long Short-Term Memory (LSTM), and Bi-directional LSTM (Bi-LSTM) for obtaining optimized results. Finally, after a thorough investigation, the hybrid PR model coupled with FCNN (PR-FCNN) is found to be the best model with improved R-squared (R 2 ) values, portraying its potential for predicting PM2.5 concentration accurately. Based on the experimentation, the preset study recommends implementing hybrid approaches, offering better predictive accuracy in forecasting air pollutants, especially PM2.5.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle