A Novel Deep Learning Model for Subway PM <sub>2.5</sub> Prediction Using Neighborhood Component Analysis and Convolutional Latent Variables
Notice bibliographique
Résumé
The accurate prediction of PM<sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2.5</sub> concentrations in indoor environments is vital for public health and environmental protection, given the significant risks posed by poor indoor air quality. This study proposes a novel approach using the benefits of deep learning and metric learning for forecasting PM<sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2.5</sub> concentrations. Our method integrates a 2-dimensional convolutional neural network, a latent variables model, and neighborhood component analysis, collectively forming the convolution latent variable-neighborhood component analysis (CLV-NCA) model. The 2-dimensional convolutional neural network extracts spatiotemporal features from the data, while the latent variables model reduces the model’s computational complexity by compressing these features. The neighborhood component analysis further enhances the model’s robustness, allowing it to adapt to the characteristics of various indoor environments and the complex nature of PM<sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2.5</sub> data. The effectiveness of the CLV-NCA model is validated using indoor air quality data, demonstrating significant improvements over conventional models. Compared with the traditional linear partial least squares model, the proposed CLV-NCA model demonstrates approximately twice the accuracy, resulting in a 51.50% reduction in prediction error. This research contributes to the advancement of soft measurement modeling in indoor air quality monitoring, providing a robust and efficient tool for PM<sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2.5</sub> prediction.
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 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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».