本论文提出了一种名为 AirPhyNet 的物理引导神经网络方法，通过将空气颗粒运动的物理原理（扩散和平流）表示为微分方程网络，并利用图结构将物理知识整合到神经网络架构中，从而捕捉空气质量数据中的时空关系。实验证明，AirPhyNet 在不同测试场景下（包括不同前瞻时段、稀疏数据和突变预测）优于现有模型，预测误差降低了 10％。此外，案例研究进一步验证了我们的模型捕捉了颗粒运动的基本物理过程，并生成了具有真实物理意义的准确预测。

Feb, 2024

本文评估了采用机器学习模型预测燃气轮机排放的性能，在 Siemens Energy 的测试数据集上比较了现有预测排放模型，基于 SAINT 和 XGBoost 开发的两个机器学习模型，以展示采用机器学习技术可获得氮氧化物（NOx）和一氧化碳（CO）的改进预测性能，并探索了包含更多特征以增强模型复杂性与数据集中缺失值增加之间的平衡。

Jul, 2023

ST-GasNet 是一种新颖的深度学习模型，通过学习由高分辨率大涡模拟模型生成的地面有毒城市羽流的时间序列，准确预测了随时间演化的空间特征，对于即使建筑物将大型羽流分裂成小型羽流的情况也能准确预测后期的时空演变，且通过结合大尺度风边界条件信息，在整个预测期内达到至少 90% 的预测准确度。

May, 2024

该研究提出了六种基于物理学的机器学习模型来准确估计室内污染物浓度，这些模型包括物理状态空间概念、门控循环单元和分解技术的巧妙组合。这些模型相对简单，计算效率更高，且能够捕捉常常受到传感器采集的室内空气质量时间数据的非线性模式。

Aug, 2023

研究探讨了气候因素对空气质量的影响，通过对比回归模型与 K-Means 聚类、层次聚类和随机森林技术来分析。我们使用基于物理学的深度学习 (Physics-based Deep Learning, PBDL) 和长短期记忆 (Long Short-Term Memory, LSTM) 方法来研究空气污染预测。分析使用了挪威三个主要城市 2009 年至 2018 年的每日交通、天气和空气污染数据。特征选择的结果显示，采暖度日增加与空气污染水平增加之间存在相关性，这表明挪威的采暖活动是空气质量恶化的一个因素。PBDL 方法在空气污染预测方面表现出较高的准确性，相较于 LSTM 方法更为优越。本文对于基于环境变量的 PBDL 方法进行更准确的空气污染预测的增长文献做出了贡献，有助于决策者制定有效的数据驱动型气候政策。

May, 2024

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

该研究提出了一种基于深度学习的新型空气质量（主要是 PM2.5）预测模型，该模型能够通过卷积神经网络和双向 LSTM 混合框架学习空气质量相关时间序列数据的空间 - 时间相关性特征和多元相关性特征，并在两个实际数据集上进行了实验验证，表明该模型能够以较高的准确性进行 PM2.5 空气污染预测。

Dec, 2018

提出了一种双重深度神经网络（D-DNet）预测与数据同化系统，能够高效整合实时观测，确保可靠的运营预测。D-DNet 在 PM2.5 和 AOD550 的全球运营预测方面表现优秀，在 2019 年整年内保持一致的准确性，并比 Copernicus Atmosphere Monitoring Service (CAMS) 4D-Var 运营预测系统具有显著的高效性，同时保持可比较的准确性。这种高效性有利于集合预测、不确定性分析和大规模任务。

Jun, 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