Resumen

Para evitar los efectos adversos de la contaminación atmosférica grave en la salud humana, necesitamos una predicción precisa de la calidad del aire en tiempo real. En este trabajo, con el fin de mejorar la precisión de la predicción de la concentración de contaminantes atmosféricos, se propone un modelo de red neuronal profunda con aprendizaje multitarea (MTL-DBN-DNN), preentrenado por una red de creencia profunda (DBN), para la predicción de sistemas no lineales y se prueba en la predicción de series temporales de calidad del aire. El modelo MTL-DBN-DNN puede resolver varias tareas de predicción relacionadas al mismo tiempo mediante el uso de información compartida contenida en los datos de entrenamiento de diferentes tareas. En el modelo, se utiliza DBN para aprender representaciones de características. Cada unidad de la capa de salida está conectada sólo a un subconjunto de unidades de la última capa oculta de la DBN. Esta conexión evita eficazmente el problema de que las redes totalmente conectadas tengan que hacer malabarismos con el aprendizaje de cada tarea mientras se entrenan, de modo que las redes entrenadas no pueden obtener una precisión de predicción óptima para cada tarea. La ventana deslizante se utiliza para tomar los datos recientes para ajustar dinámicamente los parámetros del modelo MTL-DBN-DNN. El modelo MTL-DBN-DNN se evalúa con un conjunto de datos de Microsoft Research. La comparación con varios modelos de referencia muestra que el modelo MTL-DBN-DNN propuesto alcanza un rendimiento de vanguardia en la predicción de la concentración de contaminantes atmosféricos.

• Materias:Control del proceso Aerodinámica Robótica Regulación automática Diagnóstico de fallos
• Subjects: Aerodynamics Robotics Automatic regulation Fault diagnosis
• Palabras claves:dbn, mtl, modelo dnn, series temporales de calidad del aire, modelo de red neuronal profunda, varias tareas de predicción relacionadas, predicción temporal de la calidad del aire, red de creencia profunda, mejorar la precisión de la predicción, múltiples modelos de referencia
• Keywords:dbn, mtl, dnn model, air quality time series, deep neural network model, several related prediction tasks, time air quality prediction, deep belief network, improve prediction accuracy, multiple baseline models