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

本文提出了一个大规模的城市数据集，在建模预测空气污染水平时，采用了基于Transformer的模型——cosSquareFormer，并通过其他方法探究数据集，以更好地理解污染水平的动态变化与其主要原因。

Sep, 2021

本文介绍了一种新的Transformer架构AirFormer，用于预测中国全国范围内空气质量，具有前所未有的千亿级细粒度，包括两个新的自我注意机制来高效学习时空表示，并使用潜在变量来捕捉空气质量数据的固有不确定性。我们使用中国大陆1,085个气象站的四年数据来评估AirFormer，并且相比于最先进模型，AirFormer在72小时未来预测上将预测误差降低了5％〜8％。

Nov, 2022

本研究开发基于LSTM的模型来预测南方中国冬季ASI指数，发现海表温度异常得到的Niño指数与ASI呈负相关，证明多元输入可达到更好的预测性能。

May, 2023

本研究通过使用智能手机相机拍摄的图像，使用深度卷积神经网络（DCNN）开发了一个基于图片的PM2.5浓度预测模型，该模型在预测特定位置的PM2.5浓度方面优于其他流行的模型，并提供了来自达卡的大气图像和相应PM2.5测量结果的公开数据集。

Aug, 2023

基于低成本颗粒物传感器的IoT空气质量多传感器设备的全局校准方法可大规模部署准确的IoT空气质量监测设备，降低校准成本，并实现个人暴露监测应用的即时准确读数和降低远程数据传输需求。

Oct, 2023

基于图卷积网络和门控循环单元（M2G2）的多空间多时间空气质量预测方法弥合了空气质量预测跨空间和时间尺度的差距，并通过多尺度空间图卷积（MS-GCN）和多尺度时间门控循环单元（MT-GRU）模块实现了综合信息交换与整合，提高了 accuracy。

Dec, 2023

本研究基于大气中不同空气污染物浓度预测AQI，使用了来自德里、哈里亚纳邦和旁遮普邦不同城市的22个监测站点提供的数据集，在正确理解和插补数据值的前提下，采用时间序列数据进行了各种机器学习模型和深度学习模型的性能评估，发现随机森林相对于其他模型表现更好。

Apr, 2024

通过使用图像数据预测空气质量、评估肺病严重程度的整合方法，以提高 AQI 和肺病严重程度的准确性，并达到了 87.44% 的 AQI 预测准确率和 97.5% 的肺病严重程度评估准确率。

May, 2024

通过创新的三阶段深度集成机器学习框架 (DEML)，该研究预测了澳大利亚24个不同建筑物中室内细颗粒物 (PM2.5) 的小时浓度，并调查了其与室外 PM2.5 浓度之间的相关性。结果表明，DEML 模型在大部分传感器中的预测精度优于基准模型，实现了 R2 值在0.63到0.99之间，RMSE 值在0.01到0.663 mg/m3之间。这项研究强调了准确室内空气质量预测的重要性，对于开发特定位置的早期警报系统和制定有效干预措施至关重要，以提高公共健康结果。

May, 2024