基于深度学习技术的基于图像的空气质量指数分析预测肺疾病严重程度
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
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
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
本研究旨在利用深度学习方法(卷积神经网络)开发一个能够高度准确地检测肺癌的模型,并比较其准确率和损失值。研究结果表明,该模型能够在现实世界中使用,对于肺癌的早期检测十分重要,鳞状细胞癌、正常细胞癌、腺癌和大细胞癌是最重要的风险因素。
Apr, 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
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
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
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
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