• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Data Mining and Big Data >Cascade Spatial Autoregression for Air Pollution Prediction
【24h】

Cascade Spatial Autoregression for Air Pollution Prediction

机译：级联空间自回归用于空气污染预测

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Recent years have witnessed a growing interest in air quality prediction and a variety of predictions models have been applied for this task. However, all of these models only use local attributes of each site for prediction and neglect the spatial context. Indeed, the concentrations of air pollutants follow the first law of geography: everything is related to everything else, but nearby things are more related than distinct things. To that end, in this paper, we apply the spatial autoregression model (SAR) to air pollution prediction, which considers both local attributes and predictions from the neighborhoods. Specifically, as SAR can only handle a snapshot of spatial data but our input data are time series, we develop the cascade SAR, which is able to take care of both spatial and temporal dimensions without incurring extra computation. Finally, the effectiveness of the cascade SAR is validated on the dataset of the London Air Quality Network.
机译：近年来，人们对空气质量预测越来越感兴趣，并且各种预测模型已用于此任务。但是，所有这些模型仅将每个站点的局部属性用于预测，而忽略了空间上下文。的确，空气污染物的浓度遵循地理的第一定律：所有事物都与其他事物相关，但是附近的事物比独特的事物更相关。为此，在本文中，我们将空间自回归模型（SAR）应用于空气污染预测，该模型考虑了局部属性和来自邻域的预测。具体来说，由于SAR只能处理空间数据的快照，而我们的输入数据是时间序列，因此我们开发了级联SAR，它可以照顾到空间和时间维度，而无需进行额外的计算。最后，在伦敦空气质量网络的数据集上验证了级联SAR的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号