Un método de memoria a corto y largo plazo basado en la optimización adaptativa de enjambre de partículas coseno para la predicción de áreas verdes urbanas

En la búsqueda de un desarrollo urbano sostenible, es fundamental cuantificar con precisión las áreas verdes urbanas. Esta investigación describe la implementación de un modelo de optimización de enjambre de partículas adaptable al coseno y con memoria a corto plazo (CAPSO-LSTM), utilizando un amplio conjunto de datos de Beijing (1998-2021) para entrenar y probar el modelo.

El modelo CAPSO-LSTM, que integra un mecanismo de adaptación coseno en la optimización de enjambre de partículas, avanza en la optimización de hiperparámetros de redes de memoria a corto plazo (LSTM). Se realizan análisis comparativos con LSTM convencionales y marcos de optimización de enjambre de partículas (PSO)-LSTM, empleando el error medio absoluto (MAE), el error cuadrático medio (RMSE) y el error porcentual medio absoluto (MAPE) como puntos de referencia evaluativos.

Los resultados indican que el modelo CAPSO-LSTM presenta una mejora sustancial en la precisión de la predicción con respecto al modelo LSTM, que se manifiesta en una disminución del 66,33% en MAE, del 73,78% en RMSE y del 57,14% en MAPE. Del mismo modo, cuando se compara con el modelo PSO-LSTM, el modelo CAPSO-LSTM muestra una disminución del 58,36% en MAE, una disminución del 65,39% en RMSE y una disminución del 50% en MAPE.

Estos resultados destacan la eficacia del modelo CAPSO-LSTM para mejorar la predicción de la superficie de áreas verdes urbanas, lo que sugiere su importante potencial para ayudar a la planificación urbana y a la formulación de políticas medioambientales.

Título Original:

"A cosine adaptive particle swarm optimization based long-short term memory method for urban green area prediction"

Autor/es: