Deep-AIR：一种用于大都市空气质量建模的 CNN-LSTM 混合框架
机器学习
2021-03-29 v1 计算机与社会
摘要
空气污染长期以来一直是严峻的环境健康挑战，尤其是在大都市中，街道峡谷效应和高建筑密度加剧了空气污染物浓度。尽管准确监测和预测空气污染极为关键，现有数据驱动模型未能充分刻画空气污染与城市动态之间的复杂相互作用。我们的 Deep-AIR 是一种结合卷积神经网络与长短期记忆网络的新型混合深度学习框架，旨在弥补这一不足，提供细粒度的全市范围空气污染估计和站点范围预测。我们提出的框架构建 1x1 卷积层，以加强空气污染与重要城市动态特征（特别是道路密度、建筑密度/高度和街道峡谷效应）之间跨特征空间交互的学习。以香港和北京为案例研究，Deep-AIR 取得了比基线模型更高的精度。我们的模型在香港的细粒度小时级估计、1 小时和 24 小时空气污染预测中分别达到 67.6%、77.2% 和 66.1% 的精度，在北京分别为 65.0%、75.3% 和 63.5%。我们的显著性分析揭示，对香港而言，街道峡谷和道路密度是 NO2 的最佳估计因子，而气象是 PM2.5 的最佳估计因子。
引用
@article{arxiv.2103.14587,
title = {Deep-AIR: A Hybrid CNN-LSTM Framework for Air Quality Modeling in Metropolitan Cities},
author = {Yang Han and Qi Zhang and Victor O. K. Li and Jacqueline C. K. Lam},
journal= {arXiv preprint arXiv:2103.14587},
year = {2021}
}