一种基于 LSTM 的韩国空气污染深度学习预测方法
机器学习
2018-05-11 v3 计算机与社会
机器学习
摘要
近年来，解决空气污染问题在韩国尤其是城市地区是一个迫切的问题。更具体地，韩国已跻身全球污染最严重国家之列，与北京或德里等其他亚洲首都并列。环境科学领域正在进行大量研究以评估颗粒物对公共健康的危险影响。除此之外，也构建了空气污染物行为的确定性模型；然而，这既复杂又常常不准确。相反，深度循环神经网络在预测时间序列数据结果方面展现出强大潜力，并变得更为流行。本文使用带有长短期记忆（Long Short-Term Memory）单元的循环神经网络（RNN）作为框架，以利用来自大邱、首尔、北京和沈阳的空气污染和气象信息的时间序列数据中的知识。此外，我们使用编码器-解码器模型（类似于机器理解问题）作为我们预测机器的重要组成部分。最后，我们研究了各种配置的预测精度。我们的实验证明了在预测较远时间步时，在预测模型中集成多层 RNN 的有效性。这项研究不仅是对继续研究城市空气质量的重要激励，也有助于政府利用该洞察制定有益政策。
引用
@article{arxiv.1804.07891,
title = {A Deep Learning Approach for Forecasting Air Pollution in South Korea Using LSTM},
author = {Tien-Cuong Bui and Van-Duc Le and Sang-Kyun Cha},
journal= {arXiv preprint arXiv:1804.07891},
year = {2018}
}
备注
6 pages, 5 figures, conference paper, Seoul & Daegu air quality datasets