基于回归设施选址的移动感知生成密集空气质量图

目前，固定静态感知是监测城市空气质量等环境数据的主要方式。然而，要获得密集的空间覆盖，需要大量的静态监测器，从而使其成为一种成本高昂的选择。仅需使用一小部分静态传感器，将其部署在移动车辆上，即可实现密集的时空覆盖，这被称为移动感知范式。通过利用矩阵补全技术处理稀疏采样的数据，可以推断剩余的未观测数据点，从而利用空气质量数据中存在的冗余。然而，插补的准确性取决于移动传感器捕获空气质量矩阵内在结构的程度。因此，挑战在于选择那些在空间和时间上执行代表性采样的路径（使用车辆）。文献中大多数关于车辆子集选择的工作侧重于通过最大化不同位置和时间戳的样本数量来最大化时空覆盖，但这并非一种有效的代表性采样策略。我们提出了基于回归设施位置的移动感知，这是一种高效的车辆选择框架，在选择最优车辆集以实现有效时空采样时，融合了邻近位置的平滑性和自回归时间相关性。我们证明了所提出的移动感知问题是子模的，因此适用于贪心算法并具有性能保证。我们在印度德里的公共交通车队中选择子集来评估我们的框架。我们表明，与基线方法相比，所提出的方法对代表性时空数据进行了采样，降低了模拟空气质量数据上的外推误差。因此，我们的方法有潜力提供具有成本效益的密集空气质量图。