探索转移学习技术用于预测PM₁₀

科学领域:

• 环境科学 环境科学
• 数据科学数据科学数据科学
• 大气化学 大气化学

背景情况:

• 空气质量建模对于暴露评估至关重要,特别是当直接测量有限时.
• 机器学习 (ML) 模型为预测空气污染度提供了强大的工具,但需要大量的训练数据.
• 转移学习 (TL) 通过将知识从数据丰富的环境转移到数据稀疏的环境来解决数据稀缺问题.

研究的目的:

• 调查转移学习 (TL) 的有效性,以提高数据稀缺地区的颗粒物 (PM10) 预测.
• 使用TL评估各种ML模型 (随机森林,MLP,LSTM,CNN) 的性能.
• 探索气象数据和季节性模式对空气质量预测的TL的影响.

主要方法:

• 利用来自奥地利格拉茨和克罗地亚萨格勒布空气质量站的气象和污染物数据.
• 通过使用有限的数据子集,模拟了萨格勒的数据稀缺性.
• 应用并比较多个ML模型,包括随机森林,用于PM10预测.
• 通过培训模型在格拉茨数据上实施TL并将其转移到扎格勒布数据集.

主要成果:

• 转移学习证明了一种可行的方法来改善萨格勒布站的PM10预测,克服数据稀缺的挑战.
• 格拉茨和萨格勒布之间的气象特征的相似性被通过TL识别和利用.
• 在格拉茨数据上训练并使用仅20%的扎格勒布标记数据转移的随机森林模型显示,与直接测试相比,PM10预测准确度提高了22%.

结论:

• 转移学习是一种有效的技术,可以在监测数据有限的地区提高空气质量预测.
• 选择性地使用季节性数据模式可以优化TL效率并提高预测性能.
• 该研究证实了跨城市数据传输的可行性,以改善颗粒物预测.