深度空气学习：细粒度空气质量插值、预测与特征分析
机器学习
2018-04-12 v2
摘要
细粒度空气质量的插值、预测与特征分析是城市空气计算领域的三个重要课题。这些课题的解决方案可提供极有用的信息以支持空气污染控制，从而产生重大的社会与技术影响。现有工作大多通过不同模型分别解决这三个问题。本文提出一种通用且有效的方法，在一个称为深度空气学习（DAL）的模型中解决这三个问题。DAL 的主要思想在于将特征选择与半监督学习嵌入深度学习网络的不同层。所提方法利用无标签时空数据的相关信息来提升插值与预测性能，并执行特征选择与关联分析以揭示与空气质量变化相关的主要特征。我们基于中国北京获取的真实数据源通过大量实验评估了该方法。实验表明，在解决细粒度空气质量的插值、预测与特征分析课题时，DAL 优于近期文献中的同类模型。
引用
@article{arxiv.1711.00939,
title = {Deep Air Learning: Interpolation, Prediction, and Feature Analysis of Fine-grained Air Quality},
author = {Zhongang Qi and Tianchun Wang and Guojie Song and Weisong Hu and Xi Li and Zhongfei and Zhang},
journal= {arXiv preprint arXiv:1711.00939},
year = {2018}
}