面向 IoT 与嵌入式应用的轻量级基于机器学习的空气质量预测
机器学习
2025-12-01 v1
摘要
本研究探讨了两种 XGBoost 回归模型变体（全容量版和轻量级（tiny）版）在预测二氧化碳（CO）和氮氧化物（NO2）浓度方面的有效性与效率。使用在城市环境中收集的 AirQualityUCI 数据集（覆盖一年），我们基于均绝对误差（MAE）、根均方误差（RMSE）、均偏差误差（MBE）以及决定系数（R2）等广泛接受的指标进行了全面评估。此外，我们还评估了推理时间、模型大小和峰值 RAM 使用量等资源导向指标。全量 XGBoost 模型在两种污染物上均实现了卓越的预测精度，而轻量级模型虽稍逊一点，但提供了显著的计算优势，推理时间和模型存储需求大幅降低。这些结果表明，在资源受限的环境中部署简化模型而不牺牲预测质量是可行的。这使得 tiny XGBoost 模型适用于 IoT 和嵌入式应用中的实时空气质量监测。
引用
@article{arxiv.2511.21857,
title = {Lightweight ML-Based Air Quality Prediction for IoT and Embedded Applications},
author = {Md. Sad Abdullah Sami and Mushfiquzzaman Abid},
journal= {arXiv preprint arXiv:2511.21857},
year = {2025}
}