Resumen

Se ha revelado que las partículas (PM) tienen efectos perjudiciales para la salud pública, la economía social, la agricultura, etcétera. Así, se ha convertido en una de las principales preocupaciones en cuanto a factor que puede reducir la "calidad de vida" en Asia Oriental, donde la concentración es significativamente alta. En este sentido, es imperativo desarrollar modelos de predicción asequibles y eficientes para monitorizar en tiempo real los cambios en los niveles de concentración de PM utilizando imágenes digitales, que están fácilmente disponibles para muchos individuos (por ejemplo, a través del teléfono móvil). Los estudios anteriores (es decir, DeepHaze) tenían un alcance limitado a los datos recopilados previamente y, por tanto, eran menos prácticos a la hora de proporcionar información en tiempo real (es decir, socavaban la interpredicción). Este inconveniente hizo que apenas captáramos los cambios drásticos provocados por el clima o las regiones de interés. Para abordar este reto, proponemos un nuevo método denominado Deep Q-haze, cuyo esquema de inferencia se construye sobre un método basado en el aprendizaje en línea en colaboración con el aprendizaje por refuerzo y el aprendizaje profundo (es decir, Deep Q-learning), lo que permite mejorar la precisión de las pruebas y la flexibilidad del modelo en virtud de la inferencia de bases en tiempo real. Teniendo en cuenta varios escenarios de experimentación, el método propuesto aprende una regla de decisión binaria sobre la base de secuencias de vídeo para predecir, en tiempo real, si el nivel de concentración de PM10 (partículas de diámetro aerodinámico inferior a 10) es nocivo (>80μg/m3) o no. El modelo propuesto muestra una precisión superior a la de los algoritmos existentes. Deep Q-haze tiene en cuenta eficazmente los cambios ambientales inesperados en esencia (por ejemplo, el clima) y facilita el seguimiento de los niveles de concentración de PM10 en tiempo real, mostrando implicaciones para una mejor comprensión de las características de las partículas en suspensión en el aire.

• Materias:Biotecnología Sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology sensors Sensor system Sensor technology
• Palabras claves:q profunda, niveles de concentración de pm10 en el tiempo, niveles de concentración de pm, regla de decisión binaria, modelos de predicción eficientes, inferencia basada en el tiempo, cambios ambientales inesperados, varios escenarios experimentales, concentración, bruma
• Keywords:deep q, time pm10 concentration levels, pm concentration levels, binary decision rule, efficient prediction models, time basis inference, unexpected environmental changes, various experiment scenarios, concentration, haze