Air Quality Station Simulation via LSTM and Attention-Based Modelling
Di cosa parla
SATADL è un modello di intelligenza artificiale che usa i dati delle altre centraline per «ricostruire» le misure quando una stazione di monitoraggio della qualità dell’aria smette di funzionare, prevedendo per ore successive la concentrazione di inquinanti come il PM10 (particelle sospese nell’aria rilevanti per la salute). L’idea è garantire continuità nelle rilevazioni: gli autori lo testano confrontandolo con altre soluzioni su più reti di monitoraggio e trovano performance migliori.
Cosa permette di osservare
Consente di esplorare se modelli di IA possono fare da «stazione virtuale» per colmare dati mancanti nei sistemi di monitoraggio e quali scelte progettuali aiutano a ottenere previsioni più fedeli.
Dalla fonte
Poor air quality in urban areas is driven by a complex chain of processes and presents a significant public health concern. To better understand and control the mechanisms that determine air quality, cities deploy networks of measurement stations, and launch initiatives for collecting denser data about the concentration of pollutants in the atmosphere. Extracting insights from the stations relies on their reliable and uninterrupted operation. However, hardware is susceptible to faults and black- outs that may result in data unavailability, which affects the overall quality of analyses. In this paper, we present a deep-learning model, called SATADL, which can infer complex relations and output multiple-hour-ahead air-quality forecasts. The goal of the model is to simulate the mea- surements of an unresponsive station until its operation is restored. The architecture of the model, which a…