Resumen

Con el rápido desarrollo del Internet de las Cosas y Big Data, las ciudades inteligentes han recibido cada vez más atención. Predecir la calidad del aire de manera precisa y eficiente es una parte importante en 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 aire. Además, para datos espaciales como puntos de interés (POI) y redes viales, este artículo utiliza el método de incrustación de gráficos LINE para obtener una representación vectorial de baja dimensión de los datos espaciales y obtener características espaciales abundantes. Este artículo evalúa STA-LSTM en el conjunto de datos de Beijing, y se utilizan el error cuadrático medio (RMSE) y los indicadores R-cuadrado () para comparar con seis puntos de referencia. Los resultados experimentales muestran que el modelo propuesto en este documento puede lograr un mejor rendimiento que el de otros puntos de referencia.

• 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