基于稀疏循环神经网络对公民科学城市空气污染数据进行时空预报的校准
应用统计
2022-06-01 v2
摘要
随着个人空气质量监测器覆盖范围和质量的持续提升，从此类设备收集的数据已成为补充城市地区现有公共健康监测系统日益重要的工具。然而，利用此类“公民科学数据”构建自动预警系统的潜力，受到缺乏能够捕捉由交通、居民供暖和商业活动等局部排放源所产生的高分辨率非线性时空特征模型的制约。在本工作中，我们提出一种机器学习方法来预报高频空间场，该方法相较于标准时间序列神经网络方法具有两个显著优势：1）通过spike-and-slab先验实现神经网络的稀疏性；2）较小的参数空间。随机神经网络的引入带来了额外的不确定性，本工作中我们提出一种快速方法，以确保预报在边缘分布和空间上均得到正确评估（校准）。我们聚焦于旧金山城市空气污染暴露评估，结果表明，相较于标准时间序列方法，校准后最长可达5天的预报其均方误差降低了超过58%。
引用
@article{arxiv.2105.02971,
title = {Calibration of Spatio-Temporal Forecasts from Citizen Science Urban Air Pollution Data with Sparse Recurrent Neural Networks},
author = {Matthew Bonas and Stefano Castruccio},
journal= {arXiv preprint arXiv:2105.02971},
year = {2022}
}