.png){kind=icon}
返回
ProTSF: IoT-Based Outdoor Air Pollution Forecasting Using Bayesian Optimization-Based LSTM
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-96-6941-7_32.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过将物联网设备与室外空气质量监测相结合，智慧城市可以主动应对污染热点，优化资源配置，并实施针对性干预措施，以减轻不良空气质量对市民和环境的影响。在此背景下，深度学习可以通过分析复杂数据模式，赋能准确的室外空气质量预测，使智慧城市能够采取主动措施以缓解污染并提升市民福祉。为此，我们提出了一种独特的空气污染预测模型ProTSF，该模型是基于贝叶斯优化的深度学习模型长短期记忆网络（LSTM），以确保对任何数据集的高保真度。评估结果表明该模型的有效性，预示着其在更多智慧城市预测场景中的未来应用。我们通过每日预测达到了95.83%的显著平均准确率，平均均方根误差（RMSE）值为0.089百万分率（ppm），这一数值相较于其他已建立的时序预测模型（如AR、MA、ARIMA、SARIMA）迄今为止所达到的数值最高。
Keyword:
Internet of things
Time series forecasting
LSTM
Deep learning
Air quality prediction
Fidelity
期刊
机构
引用论文
Time Series Analysis and Forecasting of Air Pollution Particulate Matter (PM2.5): An SARIMA and Factor Analysis Approach空气污染颗粒物 (PM2.5) 的时间序列分析和预测: SARIMA和因子分析方法.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Time Series based Air Pollution Forecasting using SARIMA and Prophet Model基于SARIMA和Prophet模型的时间序列空气污染预测
PREAI
分享收藏
A time series forecasting based multi-criteria methodology for air quality prediction基于时间序列预测的空气质量多准则预测方法OAAI
OAAI分享收藏
查看更多内容