基于低质量感知数据的细粒度空气质量自监督学习推理
机器学习
2024-08-20 v1
摘要
细粒度空气质量（AQ）制图得益于廉价AQ微站（MS）的普及。然而，它们的测量往往不准确且对局部扰动敏感，这与提供精确读数但数量不足的标准站（SS）形成对比。为了同时解决低数据质量（MS）和高标签稀疏性（SS）的问题，提出了一种多任务时空网络（MTSTN），该网络采用自监督学习来利用大量无标签数据，并借助MS数据的季节性和趋势分解提供可靠的特征信息。MTSTN被应用于推断中国成都250 km²区域内NO₂、O₃和PM₂.₅浓度，分辨率为500m×500m×1小时。使用了来自55个SS和323个MS的数据，以及气象、交通、地理和时间戳数据作为特征。MTSTN在准确率方面优于多个基准，且其性能通过利用低质量MS数据得到显著增强。一系列消融和压力测试证明了结果的鲁棒性和可解释性，展示了MTSTN在准确且经济的AQ推理中的实用价值。
引用
@article{arxiv.2408.09526,
title = {Fine-gained air quality inference based on low-quality sensing data using self-supervised learning},
author = {Meng Xu and Ke Han and Weijian Hu and Wen Ji},
journal= {arXiv preprint arXiv:2408.09526},
year = {2024}
}
备注
17 pages