Deep-AIR: Ein hybrides CNN-LSTM-Framework zur feinen Schätzung und Vorhersage von Luftverschmutzung in Metropolstädten

Luftverschmutzung stellt eine ernsthafte Gesundheitsherausforderung in urbanen Metropolen dar. Während die genaue Überwachung und Vorhersage von Luftverschmutzung äußerst wichtig sind, haben bestehende datengetriebene Modelle die komplexen Wechselwirkungen zwischen den zeitlichen Merkmalen der Luftverschmutzung und den räumlichen Merkmalen der städtischen Dynamik noch nicht vollständig erfasst. Unser vorgeschlagenes Deep-AIR füllt diese Lücke, um eine feine Schätzung der luftqualitätsweiten Verschmutzung und eine stationäre Vorhersage bereitzustellen, indem es domänenspezifische Merkmale (einschließlich Luftverschmutzung, Wetter, städtische Morphologie, Transport und zeitabhängige Merkmale) ausnutzt, mit einer hybriden CNN-LSTM-Struktur, um die spatio-temporalen Merkmale zu erfassen, und 1x1-Convolution-Schichten, um das Lernen der zeitlichen und räumlichen Interaktion zu verbessern. Deep-AIR übertrifft kompatible Baselines mit einer höheren Genauigkeit von 1,5 %, 2,7 % und 2,3 % für Hongkong und 1,4 %, 1,4 % und 3,3 % für Peking in der feinen Schätzung der 1-stündigen Luftverschmutzung sowie der 1-stündigen und 24-stündigen Vorhersagen. Eine Salienzanalyse zeigt, dass für Hongkong räumliche Merkmale wie Straßenkanäle und Straßendichte die besten Prädiktoren für NO2 sind, während zeitliche Merkmale wie historische Luftschadstoffe und Wetter die besten Prädiktoren für PM2.5 darstellen. Für Peking sind historische Daten zu Luftschadstoffen, Verkehrsstaus, Windrichtung und saisonale Indikatoren die besten Prädiktoren für alle Schadstoffe. PM10 in Hongkong erzielt die beste Schätz- und Vorhersagegenauigkeit, während CO in Peking die besten Ergebnisse erzielt.