Resumen

La predicción de la concentración de contaminantes atmosféricos es una forma eficaz de proteger la salud del público mediante la advertencia de los contaminantes atmosféricos nocivos. En este estudio, se ha establecido un modelo de predicción híbrido mediante el uso de la ganancia de información, la técnica de descomposición wavelet y la red neuronal LSTM, y se ha aplicado a la predicción de la concentración diaria de contaminantes atmosféricos (PM2,5, PM10, SO2, NO2, O3 y CO) en Pekín. En primer lugar, se seleccionan los datos brutos recogidos mediante la selección de características por ganancia de información, y se obtiene un conjunto de factores que tienen una fuerte correlación con la predicción. A continuación, las series temporales históricas de la concentración diaria de contaminantes atmosféricos se descomponen en diferentes frecuencias mediante una transformada de descomposición wavelet y se recombinan en un conjunto de datos de entrenamiento de alta dimensión. Por último, el modelo de predicción LSTM se entrena con conjuntos de datos de alta dimensión, y los parámetros se ajustan mediante pruebas repetidas para obtener el modelo de predicción óptimo. Los datos utilizados en este estudio proceden de seis datos de concentración de contaminación atmosférica en Pekín entre el 1/1/2014 y el 31/12/2016, y los datos de concentración de contaminantes atmosféricos de Pekín entre el 1/1/2017 y el 31/12/2017 se utilizaron para probar la capacidad de predicción del modelo de prueba del conjunto de datos. Los resultados muestran que el índice de evaluación MAPE de la predicción del modelo es del 7,45%. Por lo tanto, el modelo de predicción híbrido tiene un mayor valor de aplicación para la predicción de la concentración de contaminantes atmosféricos, ya que este modelo tiene una mayor precisión de predicción y estabilidad para la predicción de la concentración de contaminantes atmosféricos en el futuro.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:modelo de predicción híbrido, predicción de la concentración de contaminantes, ganancia de información, datos de Pekín, previsión de la concentración de contaminantes, datos de la concentración de contaminantes, mayor precisión de la predicción, modelo de prueba establecido, concentración de contaminantes atmosféricos, valor de la aplicación
• Keywords:hybrid prediction model, pollutants concentration prediction, information gain, data of beijing, pollutants concentration forecasting, pollution concentration data, higher prediction accuracy, set test model, atmospheric pollutants concentration, value of application