التفاصيل البيبلوغرافية
| العنوان: |
Prévision de la Pollution de l’Air de Nouvelle Génération: Intégration de l’IA, des Dynamiques Spatiotemporelles et des Approches Garantissant la Confidentialité pour les Zones Urbaines |
| المؤلفون: |
Rahmani, Maryam |
| المساهمون: |
Romain Rouvoy, Suzanne Crumeyrolle, Centre de Recherche en Informatique, Signal et Automatique de Lille - UMR 9189 CRIStAL, Self-adaptation for distributed services and large software systems SPIRALS |
| بيانات النشر: |
Université de Lille |
| سنة النشر: |
2024 |
| المجموعة: |
LillOA (Lille Open Archive - Université de Lille) |
| مصطلحات موضوعية: |
à haute résolution spatiale, Prévision des PM 2.5, Analyse Spatiotemporelle, Apprentissage Fédéré, Préservation de la Confidentialité des Données, haute résolution, Air Quality, spatial high-resolution, PM 2.5 Forecasting, Spatiotemporal Analysis, Federated Learning, Data Privacy-Preserving |
| الوصف: |
La qualité de l’air est un problème mondial, la pollution de l’air posant de sérieux risques environnementaux et pour la santé publique, surtout dans les zones urbaines où les particules fines (PM), notamment le Particulate Matter (PM)2.5, sont parmi les polluants les plus nocifs. Malgré des avancées dans la surveillance de la qualité de l’air, des défis comme la variabilité des données, les exigences computationnelles, la scalabilité, et les préoccupations en matière de confidentialité limitent l’efficacité des systèmes de prévision actuels.Cette thèse présente une approche novatrice pour prédire la pollution de l’air dans les zones urbaines en intégrant IA, modélisation spatiotemporelle, et techniques de collecte de données préservant la vie privée. La première contribution majeure est le développement de PMFORECAST, un modèle de prédiction temporelle conçu pour prévoir les niveaux de PM2.5. En utilisant des techniques avancées d’apprentissage automatique et des mécanismes d’attention temporelle, PMFORECAST capture efficacement les dépendances temporelles des polluants, conduisant à des prévisions précises pour le court et le long terme. De plus, le modèle démontre des capacités multitâches, atteignant une précision de 99.7% pour les prévisions à 1 heure et de 73.5% pour celles à 12 heures, représentant des améliorations par rapport aux modèles existants.Le modèle spatiotemporel intègre des données de réseaux de capteurs souterrains pour prédire les concentrations de PM2.5 à travers différentes régions. Le modèle Graph Temporal LSTM (GT-LSTM) utilise des réseaux de GCN pour capturer les interactions entre les sources de pollution et les conditions atmosphériques, tout en utilisant des LSTMs pour modéliser les dépendances temporelles. Cette approche permet une compréhension approfondie de la disper- sion des polluants dans le temps et l’espace. En utilisant des résolutions fixes correspondant aux ressources de données, le modèle assure des prévisions précises et localisées.La troisième contribution est la ... |
| نوع الوثيقة: |
doctoral or postdoctoral thesis |
| وصف الملف: |
application/octet-stream |
| اللغة: |
English |
| Relation: |
Madis; http://hdl.handle.net/20.500.12210/119679 |
| الاتاحة: |
https://hdl.handle.net/20.500.12210/119679 |
| Rights: |
info:eu-repo/semantics/openAccess |
| رقم الانضمام: |
edsbas.D62C1E8C |
| قاعدة البيانات: |
BASE |