使用基于信任的共识机制对低成本的PM2.5传感器进行动态校准

科学领域:

• 环境科学环境科学
• 传感器技术 传感器技术
• 数据科学是数据科学.

背景情况:

• 低成本的颗粒物 (PM) 传感器提供高分辨率的城市空气质量监测.
• 这些传感器面临的挑战包括偏移,缩放不匹配和漂移,影响数据可靠性.
• 现有的校准方法通常需要大量的数据和频繁的重新校准.

研究的目的:

• 开发一个适应性,基于信任的低成本PM传感器校准框架.
• 根据单个传感器的可靠性和性能,动态调整校准模型.
• 提高城市空气质量监测网络的准确性和可扩展性.

主要方法:

• 提出了一个基于信任的自适应性校准框架,整合了准确性,稳定性,响应性和共识对齐.
• 实施了一个系统,其中高可信度传感器接受最小的校正,而低可信度传感器利用先进的基于波形的功能和更深层次的模型.
• 通过广泛的模拟和在瑞士苏黎世的现实世界部署来验证该方法.

主要成果:

• 在性能差的传感器中,达到高达68%的平均绝对误差 (MAE) 降低,在可靠的传感器中达到35-38%的降低.
• 与传统校准方法相比,证明了更高的性能.
• 通过信任权重共识,展示了对大型培训数据集和频繁重新校准的减少依赖.

结论:

• 适应性,信任驱动的校准框架显著提高了低成本传感器网络的准确性.
• 该方法在受控模拟和复杂的现实世界城市环境中都被证明是有效的.
• 这种方法确保了可扩展性,并保持了数据完整性,以改善空气质量管理.