Resumen

Con el rápido desarrollo del Internet de las Cosas y Big Data, las ciudades inteligentes han recibido una atención creciente. Predecir la calidad del aire de manera precisa y eficiente es una parte importante de la construcción de una ciudad inteligente. Sin embargo, la predicción de la calidad del aire es muy desafiante porque está afectada por muchos factores complejos, como la correlación espacial dinámica entre los sensores de detección de calidad del aire, la correlación temporal dinámica y factores externos (como las redes viales y puntos de interés). Por lo tanto, este artículo propone un modelo de predicción de calidad del aire de memoria a largo plazo (LSTM) basado en un mecanismo de atención espacio-temporal (STA-LSTM). El modelo utiliza una estructura codificador-decodificador para modelar características espacio-temporales. Se introduce un mecanismo de atención espacial en el codificador para capturar la influencia relativa de los sitios circundantes en el área de predicción. Se introduce un mecanismo de atención temporal en el decodificador para capturar la dependencia temporal de la calidad del

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Internet de las cosas; Big data; Ciudades inteligentes; Predicción de la calidad del aire; LSTM; Mecanismo de atención espaciotemporal.
• Keywords:Internet of things; Big data; Smart cities; Air quality prediction; LSTM; Spatiotemporal attention mechanism