通过潜在依赖因子进行迁移学习用于估计 PM 2.5
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
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
统一的无源领域适应问题中,通过采用潜在因果因素发现方法(LCFD)和预训练的视觉 - 语言模型(如 CLIP),可以有效提高学习模型对领域变化的可靠性和鲁棒性,并在不同的无源领域适应设置和无源领域外泛化上取得了新的最先进结果。
Mar, 2024
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
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
该项研究提出了一种用于预测 PM2.5 空气污染的 U-net 驱动的分位数回归模型,该模型基于易获取的卫星图像,可重构 PM2.5 浓度的空间分布,并能对不存在污染数据的地区进行合理的 PM2.5 浓度值预测,从而为政策制定提供重要参考,以降低 COVID-19 传播和致命性的风险。
May, 2021
本文提出一种基于图的 PM2.5-GNN 模型来预测 PM2.5 浓度,能够捕捉 PM2.5 过程中的细粒度和长期影响,并已在真实数据集上得到验证,可提供免费预测服务。
Feb, 2020
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
本研究通过多任务高斯过程和基于信息的目标函数结合迁移学习和主动学习,探索假设的相关关系空间,并实时评估这些假设,以提高规划效率。该方法通过在前 5 个样本内降低预测误差 1.5-6 倍来减少采样成本,并能快速识别和拒绝不良假设,不会对规划产生不良影响。
Feb, 2024