Resumen

Con la mejora continua de la calidad de vida de las personas, los problemas de calidad del aire se han convertido en uno de los temas de preocupación diaria. Cómo lograr predicciones precisas de la calidad del aire en una variedad de situaciones complejas es clave para la rápida respuesta de los gobiernos locales. Este documento estudia dos problemas: (1) cómo predecir la calidad del aire de cualquier estación de monitoreo basándose en los datos meteorológicos y ambientales existentes teniendo en cuenta la correlación espacio-temporal entre las estaciones de monitoreo y (2) cómo mantener la precisión y estabilidad de la predicción incluso cuando los datos disponibles son severamente insuficientes. Se propone un modelo de predicción que combina redes de memoria a largo plazo y corto plazo (LSTM) y el mecanismo de Atención de Grafos (GAT) para resolver el primer problema. Se propone un algoritmo de metaaprendizaje para el modelo de predicción para resolver el segundo problema. LSTM se utiliza para caracterizar la correlación temporal de los datos históricos y GAT se

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Mejora continua; Calidad del aire; Predicciones; Estaciones de monitoreo; Redes LSTM; Algoritmo de metaaprendizaje
• Keywords:Continuous improvement; Air quality; Predictions; Monitoring stations; LSTM networks; Metalearning algorithm