EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC-ND 4.0

Deep Learning for NO2 Forecasting in Italy: An LSTM-Based Approach

Alessandro Fania, Nicola Amoroso, Antonio Lacalamita, Tommaso Maggipinto, Alfonso Monaco, Roberto Bellotti

Procedia Computer Science · 2025 · 270 · 5463-5472

DOI: 10.1016/j.procs.2025.10.014 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Procedia Computer Science, 2025. Verfasst von Alessandro Fania und 5 weiteren Autor:innen. Die Arbeit wurde bisher 2-mal zitiert (Crossref) und nennt 32 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Kein Abstract verfügbar.

Zitieren

APA

Fania, A., Amoroso, N., Lacalamita, A., Maggipinto, T., Monaco, A., & Bellotti, R. (2025). Deep Learning for NO2 Forecasting in Italy: An LSTM-Based Approach. Procedia Computer Science, 270, 5463-5472. https://doi.org/10.1016/j.procs.2025.10.014

Vancouver

Fania A, Amoroso N, Lacalamita A, Maggipinto T, Monaco A, Bellotti R. Deep Learning for NO2 Forecasting in Italy: An LSTM-Based Approach. Procedia Computer Science. 2025;270:5463-5472. doi:10.1016/j.procs.2025.10.014

BibTeX
@article{Fania2025,
  author = {Fania, Alessandro and Amoroso, Nicola and Lacalamita, Antonio and Maggipinto, Tommaso and Monaco, Alfonso and Bellotti, Roberto},
  title = {Deep Learning for NO2 Forecasting in Italy: An LSTM-Based Approach},
  journal = {Procedia Computer Science},
  year = {2025},
  volume = {270},
  pages = {5463--5472},
  doi = {10.1016/j.procs.2025.10.014}
}
Kostenlos starten →