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

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

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

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

本研究提出了一种基于层次图神经网络的空气质量预测方法 HighAir，采用编码器 - 解码器结构，并考虑了天气和土地利用等复杂的影响因素，动态调整边缘权重以建模动态因素与空气质量的相关性，实验结果表明 HighAir 显著优于其他方法.

Jan, 2021

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

大气氮氧化物主要来自燃料燃烧，会对健康和环境造成急性和慢性影响。本研究提出了一种基于物理知识的深度学习框架，结合了传输模型和机器学习的优势，可以准确预测 NO2 和 NOx 的地面浓度，并降低估计偏差。该框架在空气质量暴露、健康和政策应用方面取得了显著的改进。

Aug, 2023

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

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