基于卷积神经网络和K-means集群的自动空气监测点定位模型的构建
Sisi Liu1, Jiao Peng1, Xiu He2
1GuangDong University of Science and Technology, Dongguan, 523083, China.
Scientific reports
|March 3, 2026
概括
本研究介绍了一种使用卷积神经网络 (CNN) 和K-means集群的AI模型,以在城市地区实现最佳的空气监测点放置. 该模型以不到1%的误差实现了准确的空气质量评估.
科学领域:
- 环境科学 环境科学
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 城市空气质量监测需要有效和准确的方法.
- 传统的监测点位置可能不够理想,导致数据缺口.
- 人工智能的进步为环境传感优化提供了新的可能性.
研究的目的:
- 开发一种自动化模型,用于在城市环境中选择最佳的空气监测点位置.
- 提高城市空气质量评估的准确性和全面性.
- 为了提高环境监测战略,利用机器学习.
主要方法:
- 利用卷积神经网络 (CNN) 来从空气监测数据中提取特征.
- 应用K-means聚类来分割提取的特征并识别模式.
- 开发了一种空气质量模型,以最大限度地提高污染物度相似性,以获得最佳的网格点选择.
- 计算功能信息,在城市时空地图上对未标记的节点进行优先排序.
主要成果:
- 该模型有效地确定了自动空气监测的最佳位置.
- 实现了低空气质量监测错误率,不到1%.
- 在CNN中展示了强大的泛化能力和输出稳定性,有256个隐藏节点.
结论:
- 拟议的CNN和K-means集群模型为自动空气监测点放置提供了有效的解决方案.
- 这种方法提高了城市空气质量评估的准确性和效率.
- 该模型显示了改善环境监测网络的巨大潜力.
