Zurück Vor

Detailergebnis zu DOK-Nr. 80437

Ein Deep-Learning-Rahmen für räumlich-zeitliche Vorhersagen von Feinstaub bei dynamischer Überwachung (Orig. engl.: Deep-Learning spatiotemporal prediction framework for particulate matter under dynamic monitoring)

Autoren	V. Mittal S. Sasetty R. Choudhary A. Agarwal
Sachgebiete	0.11 Datenverarbeitung 6.9 Verkehrsemissionen, Immissionsschutz 17.1 Verkehrsplanung, Verkehrssicherheit, Entwurf

Transportation Research Record: Journal of the Transportation Research Board Vol. 2676, H. 8, 2022, S. 56-73, 15 B, 45 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr

Angesichts der zunehmenden Luftverschmutzung und ihrer schädlichen Auswirkungen auf die Bewohner von Entwicklungsländern sind die Vorhersage und Analyse von Schadstoffen zu einem wichtigen Forschungsaspekt geworden. Die Studie konzentriert sich auf die räumlich-zeitliche Vorhersage der stündlichen Feinstaubbelastung mit verschiedenen Deep-Learning-Modellierungsverfahren für Delhi (Indien). Die Sekundärdaten der Feinstaubkonzentrationen und der meteorologischen Parameter für die vier statischen Messgeräte in dem Gebiet wurden vom Central Pollution Control Board (CPCB) für Daten zwischen Januar 2019 und April 2021 gesammelt. Das Untersuchungsgebiet in Süd-Delhi ist in sechseckige Raster unterteilt. Die Datensätze im Schwerpunkt jedes Gitters werden mit der räumlichen Interpolationsmethode der inversen Abstandsgewichtung und Kriging (mathematische Funktion für eine bestimmte Anzahl von (Stütz-)Punkten innerhalb eines bestimmten Radius) formuliert. Die hexagonalen Raster werden benötigt, um die Daten von dynamischen Monitoren zusammenzufassen. Drei Modelle mit faltendem neuronalen Netzwerk (Convolutional Neural Network, CNN), Langzeitgedächtnis (long short-term memory, LSTM) und CNN-LSTM werden für insgesamt 15 Zellen entwickelt. Zur Bewertung der entwickelten Modelle werden der mittlere absolute Fehler und der mittlere quadratische Fehler verwendet. Die Ergebnisse der Vorhersagemodelle zeigen, dass die CNN-LSTM-Modelle die beiden anderen Modelle übertreffen. Die Vorhersagen des CNN-LSTM-Modells sind im Vergleich zu den vom statischen Monitor ermittelten Werten genau. Außerdem schnitt das vorgeschlagene hybride CNN-LSTM-Modell im Vergleich zu den bestehenden und individuellen Modellen für die meisten Zellen besser ab. Die Prognosemodelle können auch die Schadstoffkonzentration auf verschiedenen Routen angeben, was den Anwohnerinnen und Anwohnern helfen kann, ihre Fahrtentscheidungen auf der Grundlage der Luftverschmutzungsvorhersage zu treffen. Planung und Praxis können die entwickelten Modelle in anderen Regionen nachahmen.