Link Search Menu Expand Document
AIEE

consensus at OpenAI GPTs

Table of contents

Start-up

  • GPT-plus
  • 登入openai介面→更多→GPT→(搜尋或下拉點選)

功能

Profomance

請搜尋：台灣空氣品質預報的深度學習研究

台灣空氣品質預報的深度學習研究，核心是用測站歷史污染物資料 + 氣象資料 + 空間鄰近測站資訊來預測 PM2.5、AQI、O₃、CO 等指標。

Evidence

  • 台灣相關研究常用 LSTM 處理時間序列；Chang 等人提出 Aggregated LSTM，把本地測站、附近工業區測站與外部污染來源測站整合，用於空氣污染預報 (Chang et al., 2020)；該研究頁面也標示主題包含 Taiwan、PM2.5、LSTM。(National Taipei University of Technology)

  • CNN-LSTM 適合台灣 PM2.5 預測，因為 CNN 可抽取特徵、LSTM 可捕捉時間變化；Huang 與 Kuo 的 APNet 結合累積降雨、風速與 PM2.5 歷史資料，表現優於多個傳統機器學習方法 (Huang & Kuo, 2018)。 (MDPI) (researchgate)

  • 對台灣多測站情境，研究也開始重視時空模型，例如 CRNN 用於台灣 PM2.5 感測節點資料，產生污染擴散預測圖，能同時考慮測站間的空間與時間關係 (Chen et al., 2021)。 (arXiv)

  • 最新綜述指出，PM2.5 深度學習預測仍以 LSTM、CNN-LSTM、混合模型為主，但未來趨勢是加入注意力機制、Transformer、多源資料與更標準化的評估架構 (Zhou et al., 2024)。 (ScienceDirect)

建議研究架構

資料：環境部測站 PM2.5、PM10、O₃、NO₂、SO₂、CO、AQI，加上氣象局溫度、濕度、風速、風向、降雨、氣壓。
模型：基準用 ARIMA、Random Forest、XGBoost；深度學習用 LSTM、GRU、CNN-LSTM；進階用 Graph Neural Network、Attention LSTM、Transformer。
評估：MAE、RMSE、MAPE、R²，並分北中南東、季節、污染事件日比較。

結論

台灣空氣品質預報最適合採用「LSTM/CNN-LSTM + 多測站空間資訊 + 氣象特徵」的深度學習架構，若要提升研究新穎性，可加入圖神經網路或 Transformer。

Like our GPT? Try our full AI-powered search engine and academic features for free at consensus.app