用于空气质量预测和数据分析的机器学习:对最近的进展,挑战和前景的审查
Manal Karmoude1, Brenton Munhungewarwa2, Isaiah Chiraira3
1School of Physics, University of the Witwatersrand, iThemba LABS, Johannesburg, South Africa; Faculty of Sciences, Mohammed V University, Rabat, Morocco.
The Science of the total environment
|September 30, 2025
概括
机器学习 (ML) 模型显著改善空气质量监测和预测. 随机森林 (RF) 和深度学习 (DL) 模型 (如LSTM和CNN) 等组合方法对于预测是有效的,而无监督学习提高了数据质量.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 公共卫生 公共卫生
背景情况:
- 空气质量对人类健康至关重要,需要先进的监测系统.
- 物联网 (IoT) 传感器网络为空气质量管理提供实时数据.
- 机器学习 (ML) 为空气质量预测和监测挑战提供了强大的解决方案.
研究的目的:
- 在空气质量监测中应用的ML技术进行全面审查和分类.
- 为不同的空气质量应用确定最有效的ML算法.
- 为决策者和研究人员提供有关利用 ML 来减轻空气污染的见解.
主要方法:
- 分析了70多项关于用于空气质量监测的ML最近的研究.
- 基于ML学习方法 (监督,无监督,强化) 的研究分类.
- 在结构化数据,时间依赖和空间模式中评估算法性能.
主要成果:
- 集合模型 (随机森林,XGBoost) 在结构化数据上显示出高精度.
- 深度学习模型 (LSTM,CNN) 擅长捕捉时间和空间污染模式.
- 无监督学习提高了数据质量和传感器校准;强化学习显示了适应性控制的潜力.
结论:
- 机器学习,特别是集体和深度学习方法,显著提高空气质量预测和监测.
- 无监督和强化学习为数据质量和控制提供了互补的好处.
- 本次审查为利用先进的ML技术对抗空气污染和保护公共健康提供了路线图.
