多源数据融合模型相对误差优化测试数据

本数据集记录了小型站、省控站pm2.5数据；地面资料湿度、温度、风速数据。我们的算法使用九网格的组织形式，将辅助数据（PM2.5浓度，湿度，温度和风速）网格化表示，并使用Cressman插值，填充九网格的值。以九网格的组织形式构成的输入数据，可以将空间信息引入。具有空间结构组织形式的输入数据，能够被CNN卷积提取空间特征，从多源数据中提取出潜在特征作为 TCN 的输入，由TCN将多源数据的潜在特征融合，并构建潜在特征与目标空气质量监测站点采集的PM2.5浓度值的映射，从而预测目标站点的PM2.5浓度值。完成多源数据参数融合的相对误差小于15%的任务指标。内含6个文件夹，dataset: 放置相关数据的文件夹；model_history：存放模型训练日志的文件夹、model_structure:存放模型结构的文件夹、model_weight：存放模型权重的文件夹、other:存放其他中间过程文件夹、result:存放融合结果的文件夹。 采集时间：2021年1月

搜集汇总

背景与挑战

背景概述

该数据集为多源数据融合模型的测试数据，旨在优化相对误差，包含PM2.5浓度、湿度、温度和风速等环境监测数据，通过九网格组织和插值方法引入空间信息。数据集采用CNN和TCN模型进行特征提取与融合，以预测目标站点的PM2.5浓度，实现相对误差低于15%的目标，并提供了数据、模型日志、结构、权重等文件夹。