人工智能辅助的空气质量监测用于智能城市管理
En Xin Neo1, Khairunnisa Hasikin1,2, Khin Wee Lai1
1Department of Biomedical Engineering, Faculty of Engineering, Universiti Malaya, Kuala Lumpur, Malaysia.
PeerJ. Computer science
|June 22, 2023
概括
机器学习模型准确预测马来西亚智慧城市的空气质量,识别PM2.5和PM10等关键污染物. 功能优化提高了可持续城市规划的预测准确性.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 城市规划 城市规划
背景情况:
- 快速的城市化对环境产生重大影响,需要在气候变化和污染监测方面取得进展.
- 由第四次工业革命 (4IR) 技术驱动的智能城市生态系统,为应对城市环境挑战提供可持续的解决方案.
- 空气质量情报平台为城市地区的空气污染监测和管理提供了可操作的见解.
研究的目的:
- 开发和评估机器学习模型,用于预测智慧城市应用中的空气质量.
- 确定影响空气质量的关键空气污染物和气象因素.
- 通过功能优化技术来提高预测准确度.
主要方法:
- 使用了四种机器学习 (Ada Boost,SVR,RF,KNN) 和两种深度学习 (MLP回归器,LSTM) 技术.
- 收集了来自马来西亚的四个城市的空气质量数据 (PM2.5,PM10,O3,CO) 和气象数据 (风速,方向).
- 实施了功能优化流程,以减少维度,并改善PM2.5度的预测.
主要成果:
- 长期短期记忆 (LSTM) 模型在预测PM10和PM2.5度方面表现出卓越的性能,在所有研究地点实现了高R2值.
- PM2.5,PM10,NO2,风速和湿度被确定为影响空气质量的最关键因素.
- 功能优化显著改善了模型的解释性,并突出了影响空气质量的关键因素.
结论:
- 机器学习,特别是功能优化的LSTM,为智能城市的空气质量准确预测提供了强大的工具.
- 数据驱动的洞察力可以帮助决策者制定有效的减少污染和可持续城市发展战略.
- 该研究为开发城市环境中先进的空气质量管理系统提供了基础.
