Resumen

Los parques industriales son una de las principales fuentes de contaminación del aire; la capacidad de prever el PM2,5, el principal contaminante en el parque industrial, es de gran importancia para la salud de los trabajadores en el parque industrial y la gobernanza ambiental, lo que puede mejorar la capacidad de toma de decisiones de la gestión ambiental. La mayoría de los métodos existentes de pronóstico de concentración de PM2,5 carecen de la capacidad de modelar las correlaciones temporales y espaciales dinámicas de la concentración de PM2,5. En un entorno de parque industrial, con el fin de mejorar la precisión del pronóstico de concentración de PM2,5, basado en la tecnología de aprendizaje profundo, este documento propone una red convolucional gráfica espacio-temporal basada en el mecanismo de atención (STAM-STGCN) para resolver el problema de pronóstico de concentración de PM2,5. Al construir la matriz de adyacencia, no solo utilizamos la distancia euclidiana entre sitios, sino que también consideramos el impact

• 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:Parques industriales; Contaminación del aire; PM2.5; Métodos de pronóstico; Tecnología de aprendizaje profundo; Red convolucional espacio-temporal de grafos
• Keywords:Industrial parks; Air pollution; PM2.5; Forecast methods; Deep learning technology; Spatiotemporal graph convolutional network