Resumen

El entorno global se ha vuelto más contaminado debido al rápido desarrollo de la tecnología industrial. Sin embargo, los métodos de predicción de la calidad del aire basados en aprendizaje automático existentes no logran analizar las razones del cambio en la concentración de contaminación del aire porque la mayoría de los métodos de predicción se centran más en la selección del modelo. Dado que el marco del aprendizaje profundo reciente es muy flexible, el modelo puede ser profundo y complejo para ajustarse al conjunto de datos. Por lo tanto, pueden existir problemas de sobreajuste en un solo modelo de red neuronal profunda cuando el número de pesos en el modelo de red neuronal profunda es grande. Además, la tasa de aprendizaje del descenso de gradiente estocástico (SGD) trata a todos los parámetros por igual, lo que resulta en una solución óptima local. En este artículo, se utiliza el coeficiente de correlación de Pearson para analizar la correlación inherente de PM2.5 y otros datos auxiliares como datos meteorológicos, datos estacionales y datos de marca de tiempo que se aplic

• Materias:Redes de radio Sistemas de información Comunicaciones inalámbricas Cifrado de bloques
• Subjects:Radio Networks Information systems Wireless communications Block ciphers
• Palabras claves:Calidad del aire; Aprendizaje automático; Aprendizaje profundo; Red neuronal; Concentración de PM2.5; Optimización
• Keywords:Air quality; Machine learning; Deep learning; Neural network; PM2.5 concentration; Optimization