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

该研究回顾了使用机器学习和物联网（IoT）进行室外空气污染预测以及监测传感器和输入特征的组合的应用，发现了预测的三种方法：时间序列、基于特征和时空。该回顾还提出了未来研究的方向，并强调了在医疗保健、城市规划、全球协同和智能城市方面的实际意义。

Jan, 2024

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

通过机器学习模型，本文提供了一份综合的调研报告，涵盖了空气质量分析的各个方面，从数据采集到预处理，并包括污染模式挖掘、空气质量推断和预测等分析任务。同时，给出了对现有方法和应用的系统分类和总结，并提供了一份公开可用的空气质量数据集列表，以便在这个方向上进行研究。最后，我们确定了一些有前景的未来研究方向。这份调研报告可以作为一个宝贵的资源，帮助专业人士找到适合解决自己特定挑战的解决方案，并推动他们在前沿领域的研究。

Oct, 2023

本研究利用两个月的空气质量数据，通过提出一种新颖的机器学习方法，在全球 197 个首都的世界天气数据库中运用气象、空气污染物和空气质量指数特征，预测下一天的空气质量。通过评估多个机器学习模型，证明了随机森林算法在分类而非回归应用时可靠性预测的有效性，模型的泛化能力提高了 42％，回归交叉验证得分为 0.38，分类交叉验证得分为 0.89。研究还考虑了可解释的机器学习，给出了在高资源和低资源环境中实施该解决方案的成本估算及技术许可商业模式的初步尝试。该研究突出了资源有限国家在等待更大数据集以进一步改进预测能力之际，自主预测空气质量的潜力。

Jan, 2024

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

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

本文提出了一种数据驱动的方法，通过将运营决策与天气条件联系起来，缓解工业厂区对附近城市的空气污染的影响，结合预测和规定性机器学习模型预测短期风速和方向，并建议减少或暂停工业生产的运营决策，从而实现可持续性的工业发展。

Mar, 2023