【论文标题】A Novel Prediction Approach for Exploring PM2.5 Spatiotemporal Propagation Based on Convolutional Recursive Neural Networks 【作者团队】Hsing-Chung Chen, Karisma Trinanda Putra, Jerry Chun-WeiLin 【发表时间】2021/01/15 【机 构】台湾亚洲大学 【论文链接】https://arxiv.org/ftp/arxiv/papers/2101/2101.06213.pdf

【推荐理由】本文出自台湾亚洲大学，针对PM2.5预测困难的问题，本文研究提出了一个基于进化递归神经网络的新模型来生成预测图的模型（CRNN），该模型通过在空间和时间上支持测量节点之间的键来提供准确的预测结果。通过测试模型可以精确地监测PM2.5的颗粒污染物扩散。

危害健康的PM2.5污染物的扩散很难预测，因为它涉及许多大气变量。这些微米颗粒会从其来源迅速扩散到居民区，如果长期暴露，则会增加患呼吸道疾病的风险。 PM2.5传播的预测系统可提供更详细和准确的信息，作为减少对社区健康影响的预警系统。根据变换计算的思想，本文提出的方法允许对通过无线传感器网络从大规模PM2.5传感器节点获得的数据集进行计算。在该方案中，深度学习模型在服务器节点上实现，以提取这些数据集上的时空特征。这项研究是利用台湾的空气质量监测系统数据集进行的。这项研究提出了一个基于进化递归神经网络的新模型来生成预测图。通常，该模型能够通过在空间和时间上支持测量节点之间的键来提供准确的预测结果。因此，使用本文提出的模型可以精确地监测PM2.5的颗粒污染物扩散。

下图为本文研发的CRNN框架图，包括输入、预处理、CNN编码器、基于RNN的递归学习以及CNN解码器。

图1 CRNN框架图

内容中包含的图片若涉及版权问题，请及时与我们联系删除