用于空气污染浓度预测的深度推断时空网络
机器学习
2018-09-12 v1 应用统计
摘要
空气污染对全球人类健康与经济发展构成严重威胁。为满足对空气污染精准预测日益增长的需求，我们提出了一种深度推断时空网络(Deep Inferential Spatial-Temporal Network)来处理复杂的非线性空间与时间关联。我们利用由推断预测器（对无空气污染读数的区域进行推断）、空间预测器（使用CNN捕捉空间关联）和时间预测器（使用带简化注意力机制的序列到序列模型捕捉时间关系）组成的混合深度学习模型，预测监测站未来48小时的三种空气污染物（即PM2.5、PM10与O3）。我们提出的模型考虑了历史空气污染记录与历史气象数据。我们在一个包含中国北京35个监测站空气污染记录与网格气象数据的大规模数据集上评估了模型。在SMAPE与RMSE指标上，我们的模型优于其他SOTA方法。
引用
@article{arxiv.1809.03964,
title = {Deep Inferential Spatial-Temporal Network for Forecasting Air Pollution Concentrations},
author = {Hao Wang and Bojin Zhuang and Yang Chen and Ni Li and Dongxia Wei},
journal= {arXiv preprint arXiv:1809.03964},
year = {2018}
}