PulseAugur
中
实时 15:14:08
English(EN) Graph Convolutional Support Vector Regression for Robust Spatiotemporal Forecasting of Urban Air Pollution

新的GCSVR模型提高了城市空气污染预测的准确性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个新的图卷积支持向量回归（GCSVR）框架，旨在提高城市空气污染预测的准确性。该模型集成了图卷积学习以理解监测站之间的空间关系，并利用支持向量回归来处理复杂的时间模式并减少异常值的影响。GCSVR框架使用德里和孟买的数据进行了测试，证明了其预测准确性的提高和性能的稳定性，尤其是在污染事件期间。 AI

影响 引入了一种新颖的框架，可以更准确地预测空气质量，可能有助于公共卫生决策。

排序理由 这是一篇详细介绍时空预测新方法的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的GCSVR模型提高了城市空气污染预测的准确性

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Nourin Jahan, Madhurima Panja, Muhammed Navas T, Tanujit Chakraborty ·

    Graph Convolutional Support Vector Regression for Robust Spatiotemporal Forecasting of Urban Air Pollution

    arXiv:2605.03795v1 Announce Type: new Abstract: Urban air quality forecasting is challenging because pollutant concentrations are nonlinear, nonstationary, spatiotemporally dependent, and often affected by anomalous observations caused by traffic congestion, industrial emissions,…

  2. arXiv cs.LG TIER_1 English(EN) · Tanujit Chakraborty ·

    Graph Convolutional Support Vector Regression for Robust Spatiotemporal Forecasting of Urban Air Pollution

    Urban air quality forecasting is challenging because pollutant concentrations are nonlinear, nonstationary, spatiotemporally dependent, and often affected by anomalous observations caused by traffic congestion, industrial emissions, and seasonal meteorological variability. This s…

相关话题