基于迁移学习与循环神经网络的空气污染物浓度预测
机器学习
2025-02-05 v1 神经与进化计算
大气与海洋物理
摘要
空气污染 (AP) 对人类健康构成巨大威胁，人们比以往任何时候都更加关注其预测。准确预测空气污染有助于人们规划户外活动，并有助于保护人类健康。本文使用长短期记忆 (LSTM) 循环神经网络 (RNN) 来预测澳门未来空气污染物 (APS) 的浓度。此外，还利用了气象数据和空气污染物浓度数据。而且，在澳门，一些空气质量监测站 (AQMS) 的观测数据量较少，同时，一些空气质量监测站记录的某些类型空气污染物的观测数据也较少。因此，我们采用迁移学习和预训练神经网络来帮助观测数据较少的空气质量监测站构建具有高预测精度的神经网络。实验样本涵盖超过 12 年的时间段，包括多种空气污染物的每日测量值以及其他更经典的气象值。从上述时间段内准备了来自五个站点的记录，其中四个是空气质量监测站，另一个是自动气象站，并最终通过计算智能技术进行处理，以构建和提取一个基于预测的知识系统。实验表明，使用迁移学习方法初始化的 LSTM RNN 具有更高的预测精度；与随机初始化的循环神经网络相比，其训练时间更短。
引用
@article{arxiv.2502.01654,
title = {Predicting concentration levels of air pollutants by transfer learning and recurrent neural network},
author = {Iat Hang Fong and Tengyue Li and Simon Fong and Raymond K. Wong and Antonio J. Tallón-Ballesteros},
journal= {arXiv preprint arXiv:2502.01654},
year = {2025}
}
备注
Forecasting, environment monitoring, transfer learning, recurrent neural network, airborne particle matter