使用PCR-GPR空气质量预测模型进行低成本空气质量监测器的重新校准测量

科学领域:

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

背景情况:

• 空气质量监测器 (AQM) 中的化学传感器由于各种测量因素容易出现错误.
• 不准确的传感器数据阻碍了有效的实时空气污染物度监测.
• 现有的校准方法可能无法完全解决传感器数据的复杂性.

研究的目的:

• 开发和验证AQM中的化学传感器的新型校准方法.
• 提高空气污染物度测量的准确性和可靠性.
• 将统计模型的可解释性与先进回归技术的精度相结合.

主要方法:

• 主要组件分析 (PCA) 用于解决多线性并提取8个主要组件,保留95%的原始数据信息.
• 建立了一个主要成分回归 (PCR) 模型,以捕捉污染物度和主要成分之间的线性关系.
• 将高斯过程回归 (GPR) 模型应用于PCR模型的余量,以解释复杂的非线性关系,形成PCR-GPR校准模型.
• 时间序列交叉验证用于数据分组,以反映现实世界条件和季节性变化.

主要成果:

• 该PCR-GPR模型有效校准了化学传感器,显著提高了测量精度.
• 该模型在多个评估指标上表现出色.
• 化学传感器的测量精度提高了16.94%至82.01%.

结论:

• 拟议的PCR-GPR校准方法成功提高了AQM中的化学传感器的测量精度.
• 这种混合方法将统计解释性与高精度非线性建模相结合.
• 这些发现为改进实时空气质量监测系统提供了可靠的解决方案.