基于XGBoost与聚合传感器数据的低成本传感器现场校准
机器学习
2025-06-23 v1
摘要
有效的大规模空气质量监测需要分布式感知,由于颗粒物(PM)在城市环境中普遍且有害。然而,高精度传感器成本高昂,限制了其空间部署和覆盖范围。因此,低成本传感器变得流行,尽管它们容易因环境敏感性和制造差异性产生漂移。本文提出了一种模型,用于通过XGBoost集成学习来整合来自相邻传感器的数据进行现场校准。该方法减少了对单个传感器准确性假设的依赖,并提高了跨不同位置的泛化能力。
引用
@article{arxiv.2506.15840,
title = {In-field Calibration of Low-Cost Sensors through XGBoost $\&$ Aggregate Sensor Data},
author = {Kevin Yin and Julia Gersey and Pei Zhang},
journal= {arXiv preprint arXiv:2506.15840},
year = {2025}
}
备注
6 pages including citations