对应用人工神经网络模型进行审查,以预测学校室内空气质量
Jierui Dong1,2, Nigel Goodman1,2,3, Priyadarsini Rajagopalan1,2
1Sustainable Building Innovation Lab., School of Property, Construction and Project Management, RMIT University, Melbourne, VIC 3000, Australia.
概括
人工神经网络 (ANN) 可以预测学校的室内空气质量 (IAQ). 虽然循环神经网络 (RNN) 在时间序列数据方面表现出色,但目前的模型主要关注PM2.5和CO2,忽视了其他污染物.
科学领域:
- 环境科学 环境科学
- 公共卫生 公共卫生
- 数据科学数据科学数据科学
背景情况:
- 学校的室内空气质量 (IAQ) 对儿童的健康和学业成绩产生重大影响.
- 最近的事件,如COVID-19大流行和野火,增加了对IAQ和数据驱动预测模型的关注.
- 人工神经网络 (ANN) 正在成为预测室内空气污染物和教育环境中的暴露的强大工具.
研究的目的:
- 系统地审查和评估ANN在学校预测IAQ的应用.
- 确定与学校环境相关的常见室内空气污染物 (IAP) 和IAQ指标.
- 评估不同神经网络算法和IAQ预测建模过程的有效性.
主要方法:
- 采用了系统的四步文献搜索 (识别,选,资格,纳入) 的方法.
- 九篇专注于学校IAQ的预测性研究论文被选中进行审查.
- 对IAQ时间序列分析的传统ANN和循环神经网络 (RNN) 的评估.
主要成果:
- 传统的ANN是最常用的模型,但RNN在时间序列IAQ数据方面表现优越.
- 目前的研究主要预测PM2.5和CO2度,忽视了其他重要的空气污染物.
- 将建筑物和占用参数纳入预测模型仍然是一个挑战.
结论:
- 本综述强调了使用ANN的学校中IAQ预测模型的当前状态.
- 确定现有模型的局限性,特别是对特定污染物的狭关注和参数集成的挑战.
- 建议未来的研究方向,为学校环境开发更全面,更准确的IAQ预测模型.
