Resumen

La predicción de la concentración de materia particulada atmosférica (APM) es esencial para reducir los efectos adversos en la salud humana y hacer cumplir las restricciones de emisión. La dinámica de la APM es inherentemente no lineal y caótica. La reconstrucción del espacio de fases (PSR) es uno de los métodos ampliamente utilizados para el análisis de series temporales caóticas. Las concentraciones de masa de APM son el resultado de complejos contribuyentes antropogénicos que evolucionan con el tiempo, los cuales pueden operar en múltiples escalas temporales. Por lo tanto, el algoritmo de predicción basado en PSR de una sola variable tradicional, en el cual los puntos de datos de la última dimensión de incrustación se utilizan como un conjunto objetivo, puede no tener en cuenta las múltiples escalas temporales inherentes en las concentraciones de APM. Para abordar este problema, proponemos una solución científica basada en PSR que tiene en cuenta la información contenida en múltiples escalas temporales.

• Materias:Sensores Seguridad informática Rendimiento del hardware Matriz
• Subjects:sensors Computer security Hardware performance Matrix
• Palabras claves:Predicción; Materia particulada atmosférica; PSR; Escalas de tiempo; Algoritmos de aprendizaje automático; Concentraciones de masa
• Keywords:Prediction; Atmospheric particulate matter; PSR; Time scales; Machine learning algorithms; Mass concentrations