基于因果关系的特征选择,用于校准低成本的空中颗粒传感器,使用机器学习

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 传感器技术 传感器技术

背景情况:

• 环境挑战不断升级,需要改善空气质量监测.
• 低成本的传感器网络提供可扩展的解决方案,但需要强大的校准.
• 传统的机器学习模型在环境数据的解释性和概括性方面扎.

研究的目的:

• 开发一种因果特征选择方法,用于提高低成本传感器的机器学习校准.
• 提高环境传感器数据的可解释性和通用性.
• 通过强大的传感器网络校准来推进城市空气质量监测.

主要方法:

• 提出了一种因果特征选择方法,在机器学习管道中使用融合交叉映射.
• 应用了用于校准低成本光学粒子计数器 (OPC-N3) 的方法,用于PM1和PM2.5测量.
• 对传统方法和基于SHAP价值的选择进行评估预测性能和概括性.

主要成果:

• 因果优化模型显示PM1和PM2.5.5的预测性能和概括性得到改善.
• 与所有特征的模型相比,PM1的平均平方误差降低了43.2%,PM2.5的平均平方误差降低了33.2%.
• 在降低PM1和PM2.5校准的平均平方误差方面表现优于基于SHAP值的特征选择.

结论:

• 因果特征选择方法提高了低成本传感器网络校准的稳定性和可解释性.
• 这种方法为城市空气质量监测和了解微观环境提供了重大进展.
• 该方法对其他环境监测应用具有广泛的潜力,促进可解释的环境模型.