室内 PM2.5 预测及其与室外空气污染的关联性：基于澳大利亚传感器数据的建模研究
机器学习
2024-05-14 v1 人工智能
摘要
暴露于恶劣的室内空气质量会对健康造成重大风险，因而需要进行彻底的评估以减轻其带来的危害。本研究旨在预测澳大利亚24个不同建筑物中室内细颗粒物(PM2.5)浓度，并探讨其与室外PM2.5水平之间的相关性。收集了来自八个澳大利亚城市（2019至2022年）91个监测传感器的室内空气质量数据。采用创新的三阶段深度集成机器学习框架(DEML)，该框架包括三个基模型（支持向量机、随机森林和极端梯度提升）和两个元模型（随机森林和广义线性模型），对小时级室内PM2.5浓度进行预测。通过滚动窗口方法评估模型的准确性，将其性能与三个基准算法（SVM、RF和XGBoost）进行比较。此外，还进行了相关性分析以评估室内和室外PM2.5浓度之间的关系。结果表明，DEML模型始终优于基准模型，对于大多数传感器，R²范围为0.63至0.99，RMSE范围为0.01至0.663 mg/m³。值得注意的是，室外PM2.5浓度对室内空气质量具有显著影响，尤其是在如森林大火等事件期间。这一研究强调了准确预测室内空气质量的重要性，这对于 developing location-specific early warning systems and informing effective interventions至关重要。通过促进保护性行为，这些努力有助于改善公共卫生结果。
引用
@article{arxiv.2405.07404,
title = {Indoor PM2.5 forecasting and the association with outdoor air pollution: a modelling study based on sensor data in Australia},
author = {Wenhua Yu and Bahareh Nakisa and Seng W. Loke and Svetlana Stevanovic and Yuming Guo and Mohammad Naim Rastgoo},
journal= {arXiv preprint arXiv:2405.07404},
year = {2024}
}