面向低成本空气质量传感器的时序深度学习校准框架
机器学习
2026-04-24 v1
摘要
低成本空气质量传感器（LCS）提供了一种实用的替代方案，取代昂贵的监管级仪器，使得构建密集的城市监测网络成为可能。然而，其应用受限于校准挑战，包括传感器漂移、环境交叉灵敏性以及不同设备间的性能差异。本文提出了一种基于长短期记忆网络（LSTM）的深度学习框架，用于校准 LCS 对 PM、PM 和 NO 的测量值，该框架在牛津UK的OxAria网络中进行协同位置参考数据训练。与将每个观察值独立处理的随机森林（RF）基线方法不同，本文的方法通过基于序列的学习捕捉时序依赖性和延迟的环境效应，在所有三个污染物的训练、验证和测试集上实现更高的 值。构建了一个包含时序滞后参数、谐波编码和交互项的特征集，以提高在未见的时序窗口上的泛化能力。将未校准值的验证结果与等效表格工具 3.1 进行比较，显示出监管合规性，其不确定性扩大后分别为 NO 为 22.11%，PM 为 12.42%，PM 为 9.1%。
引用
@article{arxiv.2604.21527,
title = {A temporal deep learning framework for calibration of low-cost air quality sensors},
author = {Arindam Sengupta and Tony Bush and Ben Marner and Jose Miguel Pérez and Soledad Le Clainche},
journal= {arXiv preprint arXiv:2604.21527},
year = {2026}
}