.png){kind=icon}
.png){kind=icon}
返回
A decomposition based imputation algorithm for long consecutive missing atmospheric pollution data and its application
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jocs.2025.102697.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着环境空气污染的加剧，空气污染物对生态环境和人类健康的影响已引起广泛关注。然而，由于环境监测系统引入相对较晚，早期污染物数据中存在长期连续缺失值。本文提出了一种基于分解的长期连续污染数据插补方法。首先，采用小波相干分析来研究污染数据与相关空气数据之间的周期关系，并将它们分解为周期性和非周期性成分。然后，分别使用机器学习和迁移学习对周期性和非周期性成分进行插补。此外，本文在中国五个地区的NO2和SO2浓度人工缺失数据上验证了该方法的有效性。比较结果表明，所提出的方法在平均绝对误差和平均绝对百分比误差方面显著优于文献中的其他插补方法。最后，将所提出的插补方法应用于聚碳酸酯材料加速老化研究。实验结果表明，使用插补后的污染物数据能够提高老化模型的预测精度。
Keyword:
air pollution
missing data imputation
wavelet coherence analysis
machine learning
transfer learning
期刊
IF:
18.3
论文数:
3.1K
被引数:
4.0K