Deep-MAPS：基于机器学习的移动式空气污染感知
机器学习
2020-03-03 v2 机器学习
摘要
作为以经济且可操作的可行手段对大气环境进行高时空分辨率监测的方法，城市空气质量的移动与普适感知已受到越来越多的关注。本文提出一种基于机器学习（machine learning）的移动式空气污染感知框架，称为 Deep-MAPS，并从以下方面展示其科学与经济价值。（1）基于固定与移动空气质量传感器组成的网络，我们在北京（3,025 km²，2018年6月19日–7月16日）对 PM2.5 浓度进行时空分辨率为 1km×1km 与 1 小时的空间推断，准确率超过 85%。（2）我们利用城市大数据生成关于污染潜在成因的洞察，从而促进基于证据的可持续城市管理。（3）为实现此类时空覆盖与精度，与主要依赖固定传感器的普适感知相比，Deep-MAPS 可节省高达 90% 的硬件投资。
引用
@article{arxiv.1904.12303,
title = {Deep-MAPS: Machine Learning based Mobile Air Pollution Sensing},
author = {Jun Song and Ke Han},
journal= {arXiv preprint arXiv:1904.12303},
year = {2020}
}
备注
10 pages, 4 figures, 1 table