Discretized Linear Regression and Multiclass Support Vector Based Air Pollution Forecasting Technique
Avinashilingam Institute of Home Science and Higher Education for Women（阿维纳西林加姆妇女家庭科学与高等教育学院）
就发展中国家而言，空气污染是由于不加控制地使用传统能源而产生的一个重要问题。因此，巧妙的空气污染预测方法是必不可少的，以尽量减少风险。为此，本文提出了一个物联网（IoT）启用系统，用于监测和控制空气污染的云计算环境。提出了一种基于线性回归和多类支持向量（LR-MSV）物联网的空气污染预测方法，用于监测空气质量数据和空气质量指数测量，为有效控制铺平道路。在印度数据集的空气质量数据进行了广泛的实验，揭示了卓越的性能时，建议的LR-MSV方法基准与完善的国家的最先进的方法。结果表明，LR-MSV方法与其他最先进的方法相比，通过减少空气污染预报时间和出错率，显著提高了空气污染预报精度
2022-11-28 cs.LG
Offline Meteorology-Pollution Coupling Global Air Pollution Forecasting Model with Bilinear Pooling
Shanghai Academy of AI for Science（上海人工智能科学研究院）；Shanghai Normal University（上海师范大学）；Fudan University（复旦大学）
针对传统空气污染预测模型计算成本高、现有深度学习在线耦合方案训练资源需求大的问题，提出基于双线性池化的离线气象-污染耦合深度学习框架，以远低于在线模型的参数量实现了更优的长时预测性能，为全球大气预测提供新范式。
2025-03-24 cs.CV cs.LG
Estimation of Air Pollution with Remote Sensing Data: Revealing Greenhouse Gas Emissions from Space
University of St. Gallen（圣加仑大学）
空气污染是气候变化的主要驱动力。运输和发电过程中燃烧化石燃料产生的人为排放物会排放大量有问题的空气污染物，包括温室气体。尽管限制温室气体排放对于减缓气候变化很重要，但很难获得有关温室气体和其他空气污染物空间和时间分布的详细信息。现有的地表空气污染模型依赖于广泛的土地利用数据集，这些数据集往往是局部限制和时间静态的。这项工作提出了一种深度学习方法来预测环境空气污染，该方法仅依赖于全球可用且经常更新的遥感数据。将光学卫星图像与基于卫星的大气柱密度空气污染测量相结合，可以将任意位置的空气污染估计数（在这种情况下为NO $_2$）缩放到高空间分辨率（高达$\sim$ 10米），并为这些估计数增加时间分量。所提出的模型执行与地面站的空气质量测量（平均绝对误差$<$ 6 $~μg/m^3$）进行评估时，具有很高的精度。我们的研究结果使空气污染和温室气体的主要来源的识别和时间监测。
2021-08-31 cs.CV cs.LG
Deep Inferential Spatial-Temporal Network for Forecasting Air Pollution Concentrations
University of Delaware（特拉华大学）；PingAn Technology（平安科技）；South China University of Technology（华南理工大学）
空气污染对人类健康和世界经济发展构成严重威胁。为了满足日益增长的对空气污染准确预测的需求，我们提出了一种深度推理时空网络来处理复杂的非线性时空相关性。我们预测三种空气污染物（即，PM2.5、PM10和O3）的混合深度学习模型，该模型由推理预测器（对没有空气污染读数的区域进行推理）、空间预测器（使用CNN捕获空间相关性）和时间预测器（使用具有简化注意力机制的序列到序列模型捕获时间关系）组成。我们提出的模型考虑了历史空气污染记录和历史气象数据。我们评估我们的模型上的一个大规模的数据集，包含空气污染记录的35个监测站和网格气象数据在北京，中国。我们的模型在SMAPE和RMSE方面优于其他最先进的方法。
2018-09-11 cs.LG stat.AP
Trend analysis and forecasting air pollution in Rwanda
African Institute for Mathematical Sciences, Rwanda（卢旺达非洲数学科学研究所）；Institute of Applied Statistics, University of Burundi（布隆迪大学应用统计研究所）
空气污染是全球范围内的一个重大公共卫生问题，尽管缺乏数据是大多数低收入和中等收入国家的一个全球性问题。细颗粒物（PM2.5）形式的环境空气污染超过了世界卫生组织在卢旺达的指导方针，每天平均约为42.6微克/立方米。监测和缓解战略需要对收集污染数据的设备进行昂贵的投资。低成本的传感器技术和机器学习方法已经成为获得可靠信息的替代解决方案。本文分析了卢旺达的空气污染趋势，并提出了适合于部署在卢旺达的低成本传感器网络收集的数据的预测模型。
2022-05-20 cs.LG stat.ML
AirCast: Improving Air Pollution Forecasting Through Multi-Variable Data Alignment
Wageningen University and Research（瓦赫宁根大学与研究中心）；Mohamed bin Zayed University of AI（穆罕默德·本·扎耶德人工智能大学）；Australian National University（澳大利亚国立大学）；Linköping University（林雪平大学）；Weizmann Institute of Science（魏茨曼科学研究所）
AirCast通过多变量数据对齐、多任务学习及频率加权损失，结合天气与空气质量数据，提升空气污染预测的准确性。
2025-02-25 cs.CV cs.LG
Can Explainable AI Assess Personalized Health Risks from Indoor Air Pollution?
National Institute of Technology, Durgapur（印度杜尔加普尔国家理工学院）
针对室内空气污染健康风险研究不足、污染源定位精度低的问题，本研究结合多类活动的监测数据，利用聚类分析与LIME、SHAP等可解释模型及多种机器学习算法，实现高精度污染源识别与个性化污染暴露评估。
2025-01-07 cs.LG
Simulating the Effects of Eco-Friendly Transportation Selections for Air Pollution Reduction
NTT DOCOMO, INC.（NTT多科莫公司）
减少空气污染，如二氧化碳和PM2.5排放，是世界上许多国家最重要的问题之一。选择环保的交通工具是个人在日常生活中减少空气污染的有效方法。在这项研究中，我们提出了一种方法来模拟一个生态友好的交通方式选择减少空气污染的有效性，通过使用地图搜索日志。我们制定的交通方式选择作为一个组合优化问题的约束条件，二氧化碳排放总量的空气污染和平均旅行时间的例子。优化结果表明，CO2排放总量可以减少9.23%，而平均旅行时间实际上可以减少9.96%。我们的研究方案在2019年KDD Cup的常规机器学习竞赛跟踪任务2中获得一等奖。
2021-09-14 cs.LG
Adversarially trained LSTMs on reduced order models of urban air pollution simulations
Data Science Institute（数据科学研究所）；Imperial College London（帝国理工学院）
本文提出了一种利用深度学习改进空气污染的计算流体动力学模拟预测的方法。我们的方法，它集成了主成分分析（PCA）和对抗训练，是一种方法来提高预测技能的降阶模型从原始模型的解决方案。一旦通过PCA获得降阶模型（ROM），就在ROM上逆向训练长短期记忆网络（LSTM）以进行预测。一旦经过训练，逆向训练的LSTM的性能优于以经典方式训练的LSTM。研究区域在伦敦，包括速度和浓度示踪剂，复制一个繁忙的交通路口。在ROM上使用这种经过逆向训练的基于LSTM的方法，以便更快地预测空气污染示踪剂。
2021-01-05 cs.LG physics.flu-dyn
Use of Remote Sensing Data to Identify Air Pollution Signatures in India
BITS Pilani Hyderabad Campus（博拉理工学院海得拉巴校区）；De Montfort University（德蒙福特大学）
空气质量对一个国家的社会经济地位有重大影响，确定主要的空气污染源是解决这一问题的核心。空间和时间分布的空气质量数据采集在一个国家，如印度的变化一直是一个挑战，这样的分析。Sentinel-5 P卫星的发射有助于每天在全球范围内观测到比以前测量到的更多种类的空气污染物。在本章中，Sentinel-5 P卫星的多污染物时空数据被用于聚类印度的州和地区，并推导和呈现每个聚类的相关月平均污染特征和趋势，聚类特征可用于根据不同污染源排放的污染物类型识别州和地区。
2021-01-18 cs.CY cs.LG
Urban Air Pollution Forecasting: a Machine Learning Approach leveraging Satellite Observations and Meteorological Forecasts
LINKS Foundation（LINKS基金会）
本研究提出一系列整合 Sentinel-5P 卫星数据、气象与地形特征的机器学习模型，用于预测城市主要污染物水平，在米兰实验中次日预测误差约 30%，且无需依赖地面监测站，并公开了数据集。
2024-05-30 cs.LG physics.ao-ph
Physics-based deep learning reveals rising heating demand heightens air pollution in Norwegian cities
California Institute of Technology（加州理工学院）；Norwegian University of Science and Technology（挪威科技大学）；University of Cambridge（剑桥大学）
该研究利用挪威三市十年数据，比较多种机器学习方法并采用 PBDL 与 LSTM 预测空气污染，发现供暖度日上升会加剧污染，且 PBDL 预测精度优于 LSTM。
2024-05-07 cs.AI cs.CY cs.LG
Spatiotemporal Graph Convolutional Recurrent Neural Network Model for Citywide Air Pollution Forecasting
Seoul National University（首尔国立大学）；Graduate School of Data Science（数据科学研究生院）
本文提出了一种基于图卷积网络的时空循环神经网络模型，用于提升城市空气污染预测的精度和效率。
2025-11-23 cs.CV cs.LG eess.SP
Spatial-Temporal Graph Attention Fuser for Calibration in IoT Air Pollution Monitoring Systems
EPFL（洛桑联邦理工学院）；Federal Institute of Metrology (METAS)（联邦计量研究所）
针对物联网低成本空气污染传感器在不受控环境下校准困难的问题，提出利用图注意力网络模块融合传感器阵列数据的新方法，显著提升了校准准确性。
2023-09-08 cs.AI cs.LG eess.SP
Graph Signal Reconstruction Techniques for IoT Air Pollution Monitoring Platforms
Universitat Politecnica de Catalunya（加泰罗尼亚理工大学）
空气污染监测平台在预防和减轻污染影响方面发挥着非常重要的作用。图形信号处理领域的最新进展使得使用图形描述和分析空气污染监测网络成为可能。主要应用之一是使用传感器的子集在图中重建测量信号。使用来自传感器邻居的信息重建信号可以帮助提高网络数据的质量，例如用相关的邻居节点填充丢失的数据，或者用更准确的邻居传感器校正漂移的传感器。本文比较了使用各种类型的图形信号重建方法应用于西班牙空气污染参考站的真实数据集。所考虑的方法是拉普拉斯插值，图形信号处理低通为基础的图形信号重建，和基于核的图形信号重建，并在实际的空气污染数据集测量O3，NO2，和PM10进行了比较。的方法来重建污染物的信号的能力，以及这种重建的计算成本。结果表明基于核的图信号重构方法的优越性，以及该方法在具有大量低成本传感器的空气污染监测网络中的缩放困难。然而，我们表明，可扩展性可以克服简单的方法，如分区网络使用聚类算法。
2022-08-23 cs.LG cs.NI eess.SP
Aim in Climate Change and City Pollution
Instituto Universitario de Matemática Pura y Aplicada, Universitat Politécnica de Valencia（瓦伦西亚理工大学纯数学与应用数学大学研究所）；FLOW, Engineering Mechanics, KTH Royal Institute of Technology（瑞典皇家理工学院工程力学系FLOW实验室）
城市环境的可持续性是一个日益相关的问题。空气污染在环境退化以及暴露于空气污染的公民的健康方面起着关键作用。在本章中，我们将对空气污染建模的方法进行综述，重点介绍机器学习方法的应用。事实上，机器学习方法已被证明可以大大提高传统空气污染方法的准确性，同时限制模型的开发成本。机器学习工具开辟了研究空气污染的新方法，如流动动力学建模或遥感方法。
2021-12-30 cs.AI cs.CY cs.LG
Real-time Air Pollution prediction model based on Spatiotemporal Big data
Dept. of Electrical and Computer Engineering Seoul National University（电气与计算机工程系首尔国立大学）
本文提出基于CNN和LSTM的实时空气污染预测模型，利用时空大数据提升污染预测精度。
2025-12-08 cs.CY cs.IR cs.LG
Deep-AIR: A Hybrid CNN-LSTM Framework for Air Quality Modeling in Metropolitan Cities
The University of Hong Kong（香港大学）
空气污染长期以来一直是一个严重的环境健康挑战，特别是在大都市，街道峡谷效应和高建筑密度加剧了空气污染物的浓度。虽然准确监测和预测空气污染非常重要，但现有的数据驱动模型未能完全解决空气污染与城市动态之间的复杂相互作用。我们的Deep-AIR是一种新型的混合深度学习框架，将卷积神经网络与长短期记忆网络相结合，旨在解决这一差距，以提供细粒度的城市范围空气污染估计和车站范围预测。我们提出的框架创建了1x 1卷积层，以加强对空气污染与重要城市动态特征之间的跨特征空间相互作用的学习，特别是道路密度、建筑密度/高度和街道峡谷效应。使用香港和北京作为案例研究，Deep-AIR实现了比我们的基准模型更高的准确性。我们的模型在香港的细粒度小时估计，1小时和24小时的空气污染预测的准确率分别为67.6%，77.2%和66.1%，在北京的准确率分别为65.0%，75.3%和63.5%。我们的显着性分析显示，在香港，街道峡谷和道路密度是NO2的最佳估计，而气象是PM2.5的最佳估计。
2021-03-25 cs.CY cs.LG
Detecting Elevated Air Pollution Levels by Monitoring Web Search Queries: Deep Learning-Based Time Series Forecasting
Emory University（埃默里大学）；Pomona College（波莫纳学院）；Rollins School of Public Health（罗林斯公共卫生学院）
实时空气污染监测是公共卫生和环境监测的重要工具。近年来，使用人工神经网络（ANN）进行空气污染预测和监测的研究急剧增加。大多数先前的工作依赖于从地面监测器和气象数据收集的污染物浓度建模，用于长期预测室外臭氧，氮氧化物和PM2.5。由于传统的、高度复杂的空气质量监测器价格昂贵，而且不能普遍使用，这些模型不能充分服务于那些不住在污染物监测点附近的人。此外，由于先前的模型是建立在从传感器收集的物理测量数据上的，它们可能不适合预测污染暴露对公众健康的影响。本研究的目的是开发和验证模型，使用网络搜索数据，这是公开的近实时的主要搜索引擎的观测污染水平进行临近预报。我们使用传统的监督分类方法和最先进的深度学习方法开发了基于机器学习的新型模型，通过使用普遍可用的气象数据和来自Google Trends的基于Web的搜索量数据来检测美国城市级别的空气污染水平。我们通过预测2017年和2018年美国10个主要大都市统计区（MSA）的三种关键空气污染物（臭氧（O3），二氧化氮（NO2）和细颗粒物（PM2.5））来验证这些方法的性能。
2022-11-09 cs.IR cs.LG
A Machine-Learning-Aided Visual Analysis Workflow for Investigating Air Pollution Data
University of California Davis（加州大学戴维斯分校）；Academia Sinica（中央研究院）
分析空气污染数据具有挑战性，因为从不同方面有各种分析重点：特征（什么），空间（哪里）和时间（何时）。在大多数地理空间分析问题中，除了高维特征之外，空气污染的时间和空间依赖性导致了执行分析的复杂性。机器学习方法，如降维，可以提取和总结数据的重要信息，以减轻理解这种复杂环境的负担。在本文中，我们提出了一种方法，利用多种机器学习方法来统一探索这些方面。通过这种方法，我们开发了一个可视化的分析系统，支持灵活的分析工作流程，允许领域专家根据他们的分析需求自由地探索不同的方面。我们展示了我们的系统和分析工作流程的能力，支持多种分析任务与多个用例。
2022-02-11 cs.LG
Predicting Air Pollution in Cork, Ireland Using Machine Learning
本研究利用人工智能结合气象与监测数据评估17种机器学习算法，发现Extra Trees模型以77%准确率最优，揭示了污染驱动因素并助力城市空气质量预警与规划决策。
2025-07-11 cs.LG stat.AP
A Framework for Scalable Ambient Air Pollution Concentration Estimation
University of Exeter（埃克塞特大学）；Met Office（英国气象局）；Federal University of Ceará（塞阿拉联邦大学）
本文提出一个可扩展的监督机器学习框架，通过填补英国空气污染监测数据的时间和空间缺口，生成2018年英格兰1km×1km小时分辨率数据集，为高分辨率空气污染研究提供支持。
2024-01-16 cs.LG stat.AP
Adversarial autoencoders and adversarial LSTM for improved forecasts of urban air pollution simulations
Data Science Institute（数据科学研究所）；Imperial College London（伦敦帝国理工学院）；Leonardo Centre, Imperial Business School（帝国理工商学院莱昂纳多中心）；Department of Earth Science & Engineering（地球科学与工程系）
本文提出了一种使用深度学习（尤其是对抗性训练）来改进城市空气污染的计算流体动力学（CFD）模拟预测的方法。这种对抗性方法旨在减少预测与基础物理模型的差异。我们的两步方法将基于主成分分析（PCA）的对抗性自动编码器（PC-AAE）与对抗性长短期记忆（LSTM）网络集成在一起。一旦通过PCA获得CFD解的降阶模型（ROM），则对主成分时间序列使用对抗性自动编码器。随后，长短期记忆网络（LSTM）在PC-AAE产生的潜在空间上进行对抗训练，以进行预测。一旦经过训练，逆向训练的LSTM的性能优于以经典方式训练的LSTM。研究区域位于伦敦南部，包括繁忙交通路口的三维速度矢量。
2021-04-16 cs.LG physics.comp-ph physics.flu-dyn
EmissionNet: Air Quality Pollution Forecasting for Agriculture
Stanford University（斯坦福大学）
针对农业排放空气污染预测难题，研究评估主流预测架构，提出EmissionNet（ENV）和EmissionNet-Transformer（ENT）两种新型深度学习架构，可从高分辨率排放数据提取时空依赖，用于N₂O农业排放预测。
2025-08-01 cs.AI cs.LG
Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling
Mohamed bin Zayed University of Artificial Intelligence（莫德尔·本·扎耶德人工智能大学）；Weizmann Institute of Science（魏兹曼科学研究所）；Linköping University（林雪平大学）；Australian National University（澳大利亚国立大学）
针对现有空气污染预测模型低估罕见极端污染事件的问题，本文提出融合气象与空气成分数据的SynCast模型，结合区域适配transformer与扩散随机细化模块，在多PM变量预测尤其是极端场景下实现显著性能提升，为空气质量预警提供可扩展基础。
2025-10-28 cs.CV cs.LG
Navigating the Smog: A Cooperative Multi-Agent RL for Accurate Air Pollution Mapping through Data Assimilation
INSA Lyon（里昂国立应用科学学院）；Inria（法国国家信息与自动化研究院）
针对空气污染实时监测难题，提出一种基于协作式多智能体强化学习与数据同化的无人机自适应路径规划方法，通过动态信用分配奖励函数，在有限资源下显著提升污染估计精度，并拓展至野火等环境监测场景。
2024-07-17 cs.LG cs.RO
Deep-MAPS: Machine Learning based Mobile Air Pollution Sensing
Imperial College London（帝国理工学院）；Southwest Jiaotong University（西南交通大学）；Department of Civil and Environmental Engineering, Imperial College London, UK（帝国理工学院土木与环境工程系）；School of Transportation and Logistics, Southwest Jiaotong University, China（西南交通大学交通运输与物流学院）
移动和无处不在的城市空气质量传感器作为一种经济和操作上可行的手段，调查大气环境与高时空分辨率越来越受到关注。本文提出了一种基于机器学习的移动空气污染传感框架Deep-MAPS，并从以下几个方面论证了其科学和经济价值。(1)基于固定和移动空气质量传感器网络，我们对北京（3，025平方公里，2018年6月19日至7月16日）的PM2.5浓度进行了空间推断，时空分辨率为1公里× 1公里和1小时，准确率超过85%。(2)我们利用城市大数据，深入了解污染的潜在原因，促进循证可持续城市管理。(3)为了实现这样的时空覆盖和准确性，与主要依赖于固定传感器的无处不在的传感相比，Deep-MAPS可以节省高达90%的硬件投资。
2020-03-01 cs.LG stat.ML
Assessing and Predicting Air Pollution in Asia: A Regional and Temporal Study (2018-2023)
Stamford University Bangladesh（孟加拉国斯坦福德大学）；Daffodil International University（水仙国际大学）
本研究分析2018-2023年亚洲五地区PM 2.5污染，发现南亚污染最重，利用K-means聚类与ARIMA模型实现有效预测，强调需对南亚采取针对性干预。
2025-01-26 cs.LG stat.AP
Detecting Urban PM$_{2.5}$ Hotspots with Mobile Sensing and Gaussian Process Regression
Eidgenössische Technische Hochschule Zürich（瑞士联邦理工学院苏黎世分校）；University of Cambridge（剑桥大学）
针对移动感知PM₂.₅数据识别热点时面临的空间采样不均等挑战，提出含数据归一化、高斯过程回归等四步骤的方法，在基加利生成200米分辨率污染地图并识别热点，在北京模拟数据中验证了准确性，可助力城市空气质量监测。
2025-09-21 cs.LG stat.AP
Applications of machine learning and IoT for Outdoor Air Pollution Monitoring and Prediction: A Systematic Literature Review
International University of Rabat（拉巴特国际大学）；KU Leuven（鲁汶大学）；Mohammed V University in Rabat（穆罕默德五世大学）
本文系统性回顾了机器学习与物联网在室外空气污染预测中的应用，从1086篇文献中筛选出37篇进行分析，总结了三种预测方法，指出了现有研究在覆盖范围和数据多样性上的局限，并提出了未来研究方向。
2024-01-03 cs.AI cs.LG
Machine Learning for a Low-cost Air Pollution Network
University of Sheffield（谢菲尔德大学）；Makerere University（麦克雷雷大学）
由于所用传感器成本低，在经济拮据的国家进行数据汇集往往需要使用近似和有偏差的测量。这可能导致无效的预测和糟糕的政策或决策。如果应用来自资源丰富地区的方法而不处理这些额外的约束，这尤其是一个问题。在本文中，我们通过使用空气污染网络的例子，如何使用概率机器学习可以减轻一些技术限制。具体来说，我们实验建模的校准单个传感器的分布或高斯过程随时间的推移，并讨论了更广泛的问题，决策过程。
2019-11-28 cs.LG stat.AP stat.ML
Optimising Placement of Pollution Sensors in Windy Environments
School of Informatics（信息学院）；University of Edinburgh（爱丁堡大学）
空气污染是世界上最重要的死亡原因之一。监测空气污染有助于更多地了解健康与污染物之间的联系，并确定干预领域。这种监测是昂贵的，因此尽可能有效地放置传感器是很重要的。贝叶斯优化已被证明在选择传感器位置方面是有用的，但通常依赖于忽略空气污染统计结构的核函数，例如污染在主风向传播的趋势。我们描述了两个新的风知情内核，并调查他们的优势，积极学习的最大污染的位置，使用贝叶斯优化的任务。
2022-08-28 cs.LG physics.ao-ph
Bayesian Optimisation for Active Monitoring of Air Pollution
针对空气污染监测中传感器放置问题，提出基于分层模型的贝叶斯优化方法，并在伦敦城市污染数据上验证其有效性。
2024-04-19 cs.LG physics.ao-ph
Interpretable Air Pollution Forecasting by Physics-Guided Spatiotemporal Decoupling
KTH Royal Institute of Technology（皇家理工学院）
本研究提出了一种结合物理引导和可解释注意力机制的空气污染预报框架，实现了高预测性能与时空可解释性。
2026-01-22 cs.AI cs.LG
Data-driven Real-time Short-term Prediction of Air Quality: Comparison of ES, ARIMA, and LSTM
Forschung Burgenland（布尔根兰研究中心）
空气污染是一个世界性的问题，影响着城市地区许多人的生活。人们认为空气污染可能导致心脏病和肺病。对空气质量进行仔细和及时的预测有助于减少受影响人群的暴露风险。在本文中，我们使用数据驱动的方法来预测基于历史数据的空气质量。我们比较了三种流行的时间序列预测方法：指数平滑（ES），自回归积分移动平均（ARIMA）和长短期记忆（LSTM）。从预测精度和时间复杂度两个方面考虑，ES在短期空气污染预测中的表现优于ARIMA和LSTM。
2022-11-16 cs.LG
Modelling spatio-temporal trends of air pollution in Africa
African Institute for Mathematical Sciences（非洲数学科学研究所）；Institute of Applied Statistics, University of Burundi（布隆迪大学应用统计研究所）；Ecole Normale Superieur de Bujumbura（布琼布拉高等师范学院）
大气污染物仍然是全世界主要的公共健康威胁之一，估计每年有700万人死亡。在非洲，迅速的城市化和落后的交通基础设施使这一问题更加严重。在本文中，我们分析了非洲不同地理区域PM2.5的时空变化。西非区域仍然是受高污染影响最严重的区域，拉各斯、阿布贾和巴马科等一些城市的日平均污染量为40.856 $μg/m^3$。在东非，乌干达报告的污染程度最高，日平均浓度为56.14 $μg/m^3$，基加利为38.65 $μg/m^3$。在非洲中部地区的国家中，恩贾梅纳的PM2.5日平均浓度最高，为90.075 $μg/m^3$。我们比较了三种数据驱动模型在预测未来污染程度趋势方面的作用。神经网络优于高斯过程和ARIMA模型。
2022-08-21 cs.LG physics.ao-ph
Weather2vec: Representation Learning for Causal Inference with Non-Local Confounding in Air Pollution and Climate Studies
Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
估计空间变化干预对空间变化结果的因果效应可能会受到非局部混杂（NLC）的影响，当给定单元的治疗和结果部分由其他附近单元的协变量决定时，这种现象可能会使估计产生偏差。特别是，NLC对于评估环境政策和气候事件对空气污染暴露等健康相关结果的影响是一个挑战。本文首先使用潜在结果框架对NLC进行了形式化，并与相关的因果干扰现象进行了比较。然后，它提出了一个广泛适用的框架，称为“weather2vec”，它使用平衡分数的理论来学习非本地信息的表示为每个观测单元定义的标量或向量，随后用于调整与因果推理方法相结合的混淆。该框架进行了评估，在模拟研究和两个案例研究的空气污染的天气是一个（固有的区域）已知的混淆。
2022-12-11 cs.LG stat.AP stat.ML
Using Deep Learning to Extend the Range of Air-Pollution Monitoring and Forecasting
Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；IBM Research（IBM研究院）
在许多应用中，预测依赖于偏微分方程（PDE）的数值求解器。虽然已经提出了使用深度学习技术，但实际应用受到使用传统PDE求解器获得训练数据的事实的限制。因此，深度学习技术的使用仅限于PDE求解器适用的领域。我们展示了一个用于空气污染监测和预报的深度学习框架，该框架提供了跨不同模型域进行训练的能力，并将运行时间减少了两个数量级。它提出了一种首创的实现，结合了深度学习和域分解技术，允许模型部署扩展到它所训练的域之外。
2020-01-26 cs.LG stat.ML
AQBuc: Air Pollution Forecasting in Bucharest
National University of Science and Technology POLITEHNICA Bucharest（波兰技术大学布加勒斯特国立大学）
本文旨在设计、微调并评估多种机器学习模型（从线性回归、集成方法到深度学习及大语言模型），用于预测布加勒斯特不同时间范围内的PM2.5水平，以提供早期预警。
2026-11-03 cs.AI cs.CY cs.LG
Interpretable and Transferable Models to Understand the Impact of Lockdown Measures on Local Air Quality
Vienna University of Business Economics（维也纳商业经济大学）；CSH Vienna（维也纳CSH研究院）；Graz University of Technology（格拉茨工业大学）；ETH Zurich（苏黎世联邦理工学院）
与COVID-19相关的封锁措施提供了一个独特的机会，让我们了解经济活动和交通的变化如何影响环境空气质量，以及通过数字化和限制流动性的政策，社会可以提供多少减少污染的潜力。在这项工作中，我们使用地面空气污染监测站的测量数据，训练一个长期预测模型，并将其预测值与封锁月份的测量值进行比较，从而估计封锁期间的污染减少情况。我们表明，我们的模型在瑞士和中国的空气污染测量站的数据上实现了最先进的性能：在苏黎世，NO2 / PM10的变化高达-15.8% / +34.4%;在北京和武汉，NO2 / PM2.5的变化分别为-35.3%/-3.5%和-42.4%/-34.7%。我们的减少估计与最近的出版物是一致的，但与以前的工作相比，我们的方法考虑到当地的天气。我们可以从封锁期间的污染排放中学到什么？封锁期太短，无法从头开始训练有意义的模特。为了解决这个问题，我们使用迁移学习来重新拟合流量相关变量。我们表明，由此产生的模型是准确的，适合于分析后封锁期，并能够估计未来的空气污染减少潜力。
2021-03-26 cs.CY cs.LG
A Deep Learning Approach for Forecasting Air Pollution in South Korea Using LSTM
Seoul National University（首尔国立大学）
在过去几年里，解决空气污染是韩国的一个紧迫问题，特别是在城市地区。更特别的是，韩国已经与北京或德里等其他亚洲首都一起加入了世界上污染最严重的国家行列。环境科学正在进行大量研究，以评估颗粒物对公众健康的危险影响。除此之外，还生成了空气污染物行为的确定性模型;然而，这既复杂又往往不准确。相反，深度递归神经网络在预测时间序列数据的结果方面显示出强大的潜力，并且已经变得越来越普遍。本文使用具有长短期记忆单元的递归神经网络（RNN）作为利用大邱、首尔、北京和沈阳的空气污染和气象信息的时间序列数据的知识的框架。此外，我们使用类似于机器理解问题的编码器-解码器模型作为我们预测机器的关键部分。最后，我们调查的预测精度的各种配置。我们的实验阻止了在预测远时间步时将多层RNN集成到预测模型上的效率。这项研究不仅是继续研究城市空气质量的重要动力，而且有助于政府利用这种洞察力制定有益的政策
2018-05-10 cs.CY cs.LG stat.ML
Forecasting and Visualizing Air Quality from Sky Images with Vision-Language Models
Georgia State University（佐治亚州立大学）；Savannah College of Art and Design（萨凡纳艺术与设计学院）
本文提出一种AI智能体，结合统计纹理分析与监督学习从天空图像预测空气污染水平，并利用视觉-语言模型引导生成语义一致的污染可视化，以提升空气质量预报的可解释性与公众参与度。
2025-09-18 cs.CV cs.LG
Deciphering Environmental Air Pollution with Large Scale City Data
Zendrive Inc.（Zendrive公司）；Stony Brook University（石溪大学）；University of Toronto（多伦多大学）
空气污染对21世纪的可持续环境状况构成严重威胁。它在确定城市环境中的健康和生活标准方面的重要性预计只会随着时间的推移而增加。从人为排放到自然现象的各种因素都是空气污染水平上升的主要原因或影响因素。然而，由于缺乏涉及主要人为和自然因素的大尺度数据，阻碍了对不同空气污染物变化的原因和关系的研究。通过这项工作，我们引入了一个大规模的城市智能数据集，用于探索这些代理之间的关系在很长一段时间。我们还介绍了一个基于Transformer的模型- cosSquareFormer，用于污染物水平估计和预测问题。我们的模型优于大多数的基准模型，这项任务。我们还通过我们的模型和其他方法分析和探索数据集，以得出重要的推论，使我们能够更深层次地了解因果代理的动态。通过我们的论文，我们试图为这一领域的进一步研究提供一系列基础，这些研究将在不久的将来引起我们的高度关注。
2022-06-15 cs.AI cs.LG physics.data-an
A Data-Driven Supervised Machine Learning Approach to Estimating Global Ambient Air Pollution Concentrations With Associated Prediction Intervals
University of Exeter（埃克塞特大学）；Federal University of Ceará（塞阿拉联邦大学）
针对监测站数据稀疏和缺失问题，提出一种可扩展的数据驱动监督机器学习框架，用于插补缺失时空测量值并生成含预测区间的高分辨率全球空气污染数据集，同时为未来监测站布局提供战略建议。
2024-02-15 cs.AI cs.LG
airpred: A Flexible R Package Implementing Methods for Predicting Air Pollution
Harvard T. H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
细颗粒物（PM $_{2.5}$）是美国环境保护局规定的空气污染物标准之一。有强有力的证据表明环境暴露于（PM $_{2.5}$）会增加死亡和住院的风险。关于PM $_{2.5}$对健康影响的大规模流行病学研究为降低安全性标准和告知监管政策提供了必要的证据基础。然而，PM $_{2.5}$的环境监测器（以及其他污染物的监测器）在美国各地分布稀疏，因此仅基于从监测器测量的PM $_{2.5}$水平的研究将不可避免地排除大量的人群。解决这一问题的一种方法是根据卫星、气象和土地利用数据开发预测本地PM $_{2.5}$、NO $_2$和臭氧的模型。这个过程通常依赖于开发一个预测模型，该模型依赖于大量的输入数据，并且是高度计算密集型的，以预测未监测区域的空气污染水平。我们开发了一个灵活的R包，允许环境健康研究人员设计和训练能够预测多种污染物的时空模型，包括PM $_{2.5}$。我们利用开源大数据平台H2O，在与云或集群计算系统结合使用时实现性能和可扩展性。
2018-10-30 cs.LG stat.ML
Deep Gaussian Processes for Air Quality Inference
Indian Institute of Technology Gandhinagar（印度理工学院甘地纳加尔分校）
空气污染每年造成约700万人死亡，约24亿人暴露在有害的空气污染中。精确、精细的空气质量（AQ）监测对于控制和减少污染至关重要。然而，空气质量监测站的部署是稀疏的，因此对未监测地点的空气质量推断是至关重要的。传统的插值方法无法学习复杂的AQ现象。这项工作表明，深度高斯过程模型（DGP）是一个很有前途的AQ推理任务的模型。我们实现了双随机变分推理，DGP算法，并表明它执行的最先进的模型。
2022-11-18 cs.LG stat.ML
Tracking Air Pollution in China: Near Real-Time PM2.5 Retrievals from Multiple Data Sources
Tsinghua University（清华大学）；Chinese Academy of Environmental Planning（中国环境规划院）；Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
空气污染改变了地球的辐射平衡，扰乱了生态系统，增加了人类的发病率和死亡率。因此，及时更新和历史长期记录的全覆盖高分辨率空气污染物数据集对于支持研究和环境管理至关重要。在这里，我们首次开发了一个近实时的空气污染物数据库，称为跟踪中国空气污染（TAP，tapdata.org），该数据库结合了来自多个数据源的信息，包括地面测量，卫星检索，动态更新的排放清单，业务化学传输模型模拟和其他辅助数据。空间分辨率为10公里的每日全覆盖PM2.5数据是我们的首个近实时产品。TAP PM2.5是基于两阶段机器学习模型结合合成少数过采样技术和基于树的间隙填充方法估计的。我们的模型在不同年份的平均袋外交叉验证R2为0.83，这与其他研究的结果相当，但在高污染程度下提高了其性能，并填补了日常规模上缺失AOD的空白。PM2. 5每日数据的全覆盖和近实时更新使我们能够及时跟踪中国PM2. 5浓度的日常变化。自2000年以来对PM2.5数据的长期记录也将支持政策评估和健康影响研究。TAP PM2.5数据可通过我们的网站公开获取，以便与研究和政策界共享。
2021-03-11 cs.LG physics.ao-ph
A review on development of eco-friendly filters in Nepal for use in cigarettes and masks and Air Pollution Analysis with Machine Learning and SHAP Interpretability
Institute of Engineering, Pulchowk Campus, Tribhuvan University（特里布万大学普尔乔克校区工程学院）；Nepal Engineering College, Pokhara University（博卡拉大学尼泊尔工程学院）
本研究结合机器学习与SHAP分析预测尼泊尔空气质量，发现CatBoost性能最优，并引入可生物降解的HA过滤器以高效去除PM2.5和PM10，兼顾健康与环保。
2025-01-23 cs.AI cs.LG
Reducing Air Pollution through Machine Learning
Massachusetts Institute of Technology（麻省理工学院）
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，减轻工业工厂空气污染对附近城市的影响。我们的方法结合了预测性和规范性的机器学习模型来预测短期风速和风向，并建议运营决策以减少或暂停工业工厂的生产。我们展示了减少环境影响和维持生产活动之间的几个权衡。我们的框架的预测组件采用各种机器学习模型，如梯度提升的基于树的模型和集成方法，用于时间序列预测。规范性组件利用可解释的最优策略树来提出多个权衡，例如将危险排放减少33-47%，将不必要的成本减少40- 63%。与官方天气预报相比，我们部署的模型显著降低了预报误差，提前时间小于12小时的误差范围为38-52%，提前时间为12 - 48小时的误差范围为14-46%。我们已经在摩洛哥最大的化工厂OCP Safi工厂成功实施了预测组件，目前正在部署规范组件。我们的框架通过数据驱动的基于天气的运营决策消除污染-工业活动权衡，从而实现可持续工业发展，显著提高工厂优化和可持续性。这使工厂规划和资源分配现代化，同时保持环境合规性。预测组件提高了生产效率，通过最大限度地减少空气污染来节省成本并减少对环境的影响。
2023-03-22 cs.AI cs.CY cs.LG
Interpretable Machine Learning for Air Pollution and Respiratory Health Prediction: A Socioeconomic Subgroup Analysis
研究利用结构化国家层面每周数据，通过可解释机器学习框架预测呼吸疾病率和空气质量状况，比较多种回归和分类模型，经SHAP值解释及亚组分析发现PM2.5是主要预测因子，表明仅模型准确性不足以进行气候 - 健康预测，可解释模型有重要作用。
2026-07-21 cs.LG
Deep Reinforcement Learning for Urban Air Quality Management: Multi-Objective Optimization of Pollution Mitigation Booth Placement in Metropolitan Environments
School of Computer Science（计算机科学学院）；Engineering, Vellore Institute of Technology（工程学院，维洛雷理工学院）；Chennai Campus（钦奈校区）；Chennai, Tamil Nadu 600127, India（钦奈，泰米尔纳德邦600127，印度）
本研究提出深度强化学习框架，采用PPO算法优化德里市空气净化亭布置，以改善空气质量指数，并与传统策略对比，验证其多维性能优势。
2025-10-07 cs.AI cs.CV cs.LG
Indoor Air Quality Dataset with Activities of Daily Living in Low to Middle-income Communities
IIT Kharagpur（印度理工学院克勒格布尔分校）；Cisco Systems（思科系统公司）
该研究提供了一个涵盖印度中低收入社区30个室内站点的六个月空气质量数据集，包含多种室内环境类型和居住者标注的实时活动标签，支持污染模式分析、暴露预测及数据驱动模型研究。
2024-09-23 cs.LG
IoT-Based Air Quality Monitoring System with Machine Learning for Accurate and Real-time Data Analysis
针对现有移动应用无法提供位置特定实时空气质量数据的问题，提出一种基于物联网的便携式空气质量检测设备，利用MQ135和MQ3传感器测量有害气体浓度，结合ThinkSpeak云平台与机器学习分析实现精准实时的数据监测与可视化。
2023-07-02 cs.LG
Comprehensive Monitoring of Air Pollution Hotspots Using Sparse Sensor Networks
New York University（纽约大学）；Google Research（谷歌研究）；Toyota InfoTechnology Center（丰田信息技术中心）；Kaiterra Inc（Kaiterra公司）；University of Warwick（沃里克大学）；Yale University（耶鲁大学）
本文通过结合预测建模和机理方法，利用新增的低成本传感器，发现新德里现有传感器网络之外的189个隐藏热点，并利用空间时间克里金法进行预测，同时开发了高斯烟雾扩散模型以解释热点形成机理，为资源受限环境下的空气污染管理提供了数据驱动和机理结合的解决方案。
2025-02-08 cs.CY cs.LG
