基于44种机器学习算法及集成学习方法的PM2.5/PM10预测系统评估
《Sensors》:PM2.5/PM10 Forecasting System with Benchmarking of 44 Machine Learning Algorithms and Ensemble Learning Approaches
【字体:
大
中
小
】
时间:2026年07月08日
来源:Sensors 4.0
摘要
颗粒物(PM2.5和PM10)带来的空气污染在城市环境中构成了严重的公共卫生威胁,尤其是在车辆流量较大的地区。在此背景下,本研究提出了一种基于物联网(IoT)的系统,旨在通过低成本传感器与机器学习预测模块相结合,实现空气质量监测,并为PM2.5和PM10浓度的相关决策提供依据。该研究采用实验应用设计,运用定量比较方法。其科学贡献在于构建了一个整合了物联网与机器学习的框架,弥补了现有文献中的不足——即缺乏关于在低成本传感器支撑下,哪种机器学习算法能在中高度城市环境中实现最准确、稳定且高效的颗粒物预测的实证数据。一方面,该框架搭建了一个四节点物联网网络,用于在交通繁忙的城市微环境中持续监测PM2.5和PM10浓度,这是秘鲁阿雷基帕首次使用低成本、高时间分辨率传感器(10分钟间隔)进行的长期监测。另一方面,该研究进行了当地文献中最为全面的基准测试:在统一实验条件下系统评估了44种机器学习算法,涵盖传统统计模型、常规机器学习技术、深度学习架构以及混合方法,同时还分析了基于岭回归堆叠法和K折交叉验证的集成学习策略。通过统一的比较分析——使用一致的指标(MAE、RMSE、R2和MAPE),相同的预测时间范围以及共享的数据集——该研究获得了此前在阿雷基帕城市环境中未曾有过的可重复实证数据。研究结果表明,传统统计模型的整体表现较差,而基于树结构和提升法的算法在预测这两种污染物时,其R2值始终高于0.90。尤其是结合岭回归堆叠法和交叉验证的集成模型,展现了最佳的总体性能,具有更高的稳健性和预测稳定性。此外,研究还纳入了可解释性标准,有助于评估各基础模型的贡献程度,并确定对预测过程最具影响力的变量。从方法论层面来看,该研究为未来研究人员在选择环境物联网系统中的算法时提供了严谨的参考框架。总体而言,这些发现表明,将低成本物联网网络与先进的机器学习及集成学习技术相结合,是一种高效、可扩展且经济实惠的方案,可用于城市环境中的空气质量监测、预测分析以及制定科学的减排策略。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号