Deep-AIR：一种用于细粒度空气污染预报的CNN-LSTM混合框架
信号处理
2020-02-03 v1
摘要
空气质量恶劣已成为许多大都市日益严峻的关键挑战，给人类健康和生活质量带来诸多灾难性的生理与心理后果。然而，准确监测和预报空气质量仍是一项极具挑战的工作。受地理上稀疏数据的限制，传统的统计模型和新兴的数据驱动空气质量预报方法主要关注空气污染物历史时间数据集之间的时间相关性。然而在现实中，空气污染物的分布和扩散都具有高度的区位依赖性。本文提出一种结合卷积神经网络（CNN）与长短期记忆网络（LSTM）的新型混合深度学习模型，以高分辨率预报空气质量。我们的模型可利用空气污染物数据集的空间相关性特征，取得比现有空气污染预报深度学习模型更高的预报精度。
引用
@article{arxiv.2001.11957,
title = {Deep-AIR: A Hybrid CNN-LSTM Framework forFine-Grained Air Pollution Forecast},
author = {Qi Zhang and Jacqueline CK Lam and Victor OK Li and Yang Han},
journal= {arXiv preprint arXiv:2001.11957},
year = {2020}
}