使用集体机器学习预测巴黎的城市空气质量:环境管理的可扩展框架
Somia A Asklany1, Doaa Mohammed1, Ismail K Youssef2
1Department of Computer Science, College of Science, Northern Border University, Arar, Saudi Arabia.
PloS one
|November 20, 2025
概括
这项研究使用机器学习模型每小时预测城市空气污染. 树木组合准确地预测PM2.5和CO,帮助公共卫生和智能城市倡议.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 公共卫生 公共卫生
背景情况:
- 城市空气污染对大城市的公共健康和可持续性构成重大威胁.
- 准确的短期空气质量预测对于有效管理至关重要.
研究的目的:
- 开发和评估一个以数据为导向的框架,用于下一个小时的空气污染预测 (PM2.5,NO,CO).
- 将整体机器学习模型的性能与长短期记忆 (LSTM) 模型和持久性基线进行比较.
主要方法:
- 使用每小时的气象数据和最近的污染物历史作为输入.
- 开发和超参数调整的合奏模型:随机森林,梯度增强和堆叠合奏.
- 与LSTM模型和使用RMSE,MAE和R2指标的持久性方法对比的基准组合模型.
主要成果:
- 基于树的组合 (随机森林,梯度增强) 实现了PM2.5和CO的最低预测误差.
- 长短期记忆 (LSTM) 模型在NO预测方面表现出了竞争力的表现.
- 当基准模型有互补的错误时,叠加组合提供了额外的收益,但并不普遍超过单个模型.
结论:
- 开发的框架提供准确的,单位一致的短期空气质量预测,适合实时部署.
- 这种方法支持大城市的积极空气质量管理,城市规划和公共卫生保护.
- 这些发现突显了集成方法在特定污染物预测任务中的有效性.
