.png){kind=icon}
返回
A Unified Spatio-Temporal Data Processing Framework for Multi-Source Air Quality Forecasting
.png){kind=icon}
OA
AI
DOI：10.3390/atmos17040424.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确空气质量预测需要有效整合异构数据源，这些数据源在空间覆盖、时间分辨率和传感可靠性方面存在差异。本文提出了一种统一的时空数据处理框架，旨在通过联合利用中央污染控制委员会（CPCB）的监管监测站作为参考级锚点以及社区驱动的物联网（IoT）传感平台进行空间密集化，以支持多源空气质量预测。所提出的端到端工作流程通过系统化的模式协调、多阶段数据清洗以及使用基于机器人中心的迭代扩展卡尔曼滤波器（RIEKF）进行稳健的缺失数据插补，解决了异构性、数据质量和互操作性等关键挑战。处理后的数据被时间对齐到统一的采样网格，并添加了空间描述符，包括地理空间坐标、行政边界和基于距离的排放特征。这些增强观测随后被融合到统一的时空表示中，该表示捕获传感器网络中的空间依赖性和时间动态。从该表示构建的动态图使用移动感知外围增强图神经网络进行处理，以预测污染物浓度并生成分类空气质量指数。该框架使用回归指标（报告为μg/m³的RMSE/MAE和%的MAPE）以及标准AQI分类指标进行评估，展示了其在提高实际空气质量预测应用中的预测精度和稳健性方面的有效性。
Keyword:
air quality forecasting
spatio-temporal data fusion
multi-source sensing
graph neural networks
IoT air quality sensors
CPCB data
dynamic graphs
environmental monitoring
期刊
IF:
2.3
论文数:
895
被引数:
2.3W
机构
引用论文
An IoT based system for magnify air pollution monitoring and prognosis using hybrid artificial intelligence technique基于物联网的混合人工智能技术放大空气污染监测和预测系统
PREAI
分享收藏Learning Visual-Inertial Odometry With Robocentric Iterated Extended Kalman Filter用机器人中心迭代扩展卡尔曼滤波器学习视觉惯性里程计.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏Comparative Analysis Study for Air Quality Prediction in Smart Cities Using Regression TechniquesIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏AI‐ and IoT‐based hybrid model for air quality prediction in a smart city with network assistanceIET Networks
OAAI
IET NetworksIF0
OAAI分享收藏Real time image-based air quality forecasts using a 3D-CNN approach with an attention mechanismChemosphere
ChemosphereIF0
PREAI
分享收藏
查看更多内容