主动监测空气污染的贝叶斯优化
本文探讨了在经济上有限的国家使用价格便宜的传感器进行数据收集造成的偏差和不确定性问题,并通过利用概率机器学习方法和空气污染网络案例,试图通过建立传感器校准模型解决该问题,提出了基于分布或高斯过程的个体传感器校准建模方法,旨在为决策提供更加准确的数据支持。
Nov, 2019
通过机器学习填补缺失的空气污染浓度数据,我们提供了英国 2018 年每小时 1kmx1km 的全面数据集,对空气污染的浓度进行预测、估计和捕捉,使相关利益相关方能以更高分辨率进行研究。
Jan, 2024
通过数据驱动的监督机器学习框架填补空缺的时间和空间测量来生成全面的污染物数据集,为依赖室外空气污染数据进行下游评估的各方提供了具有 0.25 度细粒度和小时间隔的数据,同时为每个估计值提供了预测区间,从而支持更详细的研究。还通过检查模型在不同地理位置上的表现,为将来监测站的战略放置提供了见解和建议,以进一步提高模型的准确性。
Feb, 2024
提供了一篇关于贝叶斯方法在解决气候变化相关问题上的应用的文献综述,并针对材料发现、风力发电场布局、可再生能源控制和环境监测等领域分别提出公开的数据集或基准测试,同时在缺乏适当基准的情况下提出了一个名为 LAQN-BO 的新基准测试。
Jun, 2023
本文提出了开发一种可在任何地方使用的便携式空气质量检测设备,该设备使用 MQ135 和 MQ3 两个传感器检测有害气体并以每百万为单位测量空气质量,同时通过 ThinkSpeak 云平台存储和可视化数据,并进行机器学习分析。
Jul, 2023
利用 Sentinel-5P 卫星、气象条件和拓扑特征的数据,本研究引入了一系列机器学习模型来预测未来 5 种主要污染物的水平。通过在米兰都市区进行的实验,这些模型在预测未来一天的污染物水平方面表现出了良好的效果,误差率约为 30%。该研究对提升我们对城市空气质量动态的理解以及强调结合卫星、气象和地形数据来开发强大的污染物预测模型的重要性做出了贡献。
May, 2024
本文回顾了近期的研究,重点关注数据来源、监测和预测模型,采用智能设备、机器学习、大数据技术和物联网等方法,展示了改善空气污染模型的各种方面的研究进展和面临的问题和挑战。
Apr, 2023
使用机器学习模型,特别是随机森林模型,在 2019 年对伊比利亚半岛的五种选择性污染物进行了浓度预测,并使用卫星测量、气象变量、土地利用分类、时间变量和空间变量作为模型特征进行评估。
Feb, 2024
该研究提出采用计算机视觉技术分析社交媒体上的照片来监测中国主要城市的空气质量,并与官方 PM 2.5 记录进行相关性分析,研究表明该基于图像的方法具有预测和监测空气污染的潜力。
Aug, 2015
基于灰盒贝叶斯优化和仿真评估,我们提出了一种新颖的、样本高效的方法,在任意室内空间中找到高质量的传感器布置,用于可靠的跌倒检测、室内定位和活动识别。通过捕捉关于活动空间分布的专业知识,并将其纳入到贝叶斯优化的迭代选择查询点过程中,考虑了两个仿真室内环境和包含人类活动和传感器触发的真实数据集,我们展示了相对于现有的黑盒优化技术,我们提出的方法在识别高质量传感器布置方面表现更好,在 F1 得分方面实现了准确的活动识别,同时还需要更少的昂贵函数查询次数(平均减少了 51.3%)。
Sep, 2023