Air quality prediction enhanced by a CNN-LSTM-Attention model optimized with an advanced dung beetle algorithm
Résumé fourni par la source
Air pollution significantly impacts human health and socioeconomic development, making accurate air quality prediction crucial. This study proposes a hybrid CNN-LSTM-Attention model optimized with an improved Dung Beetle Optimization (IDBO) algorithm to enhance predictive performance. IDBO integrates multiple strategies to improve global search capabilities and overcome the limitations of conventional DBO. Experiments using PM2.5 data from Penang, Malaysia, demonstrate that the proposed model outperforms other models across multiple evaluation metrics R2 = 0.904, RMSE = 2.677, MSE = 7.168, MAE = 1.982, MAPE = 44.1% The findings validate the effectiveness of the proposed approach in improving air quality prediction, offering valuable insights for environmental monitoring and pollution control.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Air quality prediction enhanced by a CNN-LSTM-Attention model optimized with an advanced dung beetle algorithm
- Date Crossref
- 01/08/2025
- Éditeur
- Nigerian Society of Physical Sciences
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude et ne compte pas comme une seconde source scientifique indépendante.
Institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.