通过监测网络搜索查询检测空气污染水平升高：基于深度学习的时间序列预测
机器学习
2022-11-11 v1 信息检索
摘要
实时空气污染监测是公共卫生与环境监测的有价值工具。近年来，使用人工神经网络（ANN）进行空气污染预测与监测的研究急剧增加。先前的大多数工作依赖于对地面监测站收集的污染物浓度和气象数据进行建模，用于长期预测室外臭氧、氮氧化物和 PM2.5。鉴于传统的高精度空气质量监测仪昂贵且未普及，这些模型无法充分服务于不居住在污染物监测点附近的人群。此外，由于先前的模型建立在传感器收集的物理测量数据之上，它们可能不适合预测因暴露于污染而经历的公共健康影响。本研究旨在开发并验证模型，利用主要搜索引擎近实时公开可用的网络搜索数据，对观测到的污染水平进行即时预报。我们利用常规可得的气象数据与源自 Google Trends 的网络搜索量汇总数据，开发了基于机器学习的新模型，结合传统监督分类方法与 SOTA 深度学习方法，以检测美国城市级别的空气污染水平升高。我们通过在 2017 年和 2018 年预测美国十个主要大都市统计区（MSA）的三种关键空气污染物（臭氧（O3）、二氧化氮（NO2）和细颗粒物（PM2.5）），验证了这些方法的性能。
引用
@article{arxiv.2211.05267,
title = {Detecting Elevated Air Pollution Levels by Monitoring Web Search Queries: Deep Learning-Based Time Series Forecasting},
author = {Chen Lin and Safoora Yousefi and Elvis Kahoro and Payam Karisani and Donghai Liang and Jeremy Sarnat and Eugene Agichtein},
journal= {arXiv preprint arXiv:2211.05267},
year = {2022}
}