预印迹 文章 版本1 保存在廊下 此版本不是对等审核的

使用Machin学习(Hybrid-LSTM神经网络)的低成本PM2.5传感器的评估和校准:可行性研究建立空气质量监测系统

版本1:收稿日期:2021年9月7日/批准日期:2021年9月7日/在线日期:2021年9月7日(CEST 14:24:56)

如何引用:公园,d;柳,g;公园,美国;基于混合lstm神经网络的低成本PM2.5传感器的评估与校准:构建空气质量监测系统的可行性研究。预印本2021.,2021090130(DOI:10.20944 / PREPRINPS202109.0130.v1)。公园,d;柳,g;公园,美国;基于混合lstm神经网络的低成本PM2.5传感器的评估与校准:构建空气质量监测系统的可行性研究。Preprints 2021, 2021090130 (doi: 10.20944/preprints202109.0130.v1)。

摘要

尽管商用的低成本空气质量传感器精度较低,但该传感器系统正被用于收集数据,以调节工业活动引起的PM2.5排放或估计个人PM2.5暴露量。为了解决低成本PM传感器的精度问题,我们结合在定标问题上优化的深度神经网络(DNN)和在时变特性上优化的LSTM,建立了一种新的PM2.5定标模型。首先,生成两个数据集,测试PM2.5定标机器学习(ML)模型的准确性和泛化性能。通过低成本传感器和基于重力的PM2.5测量仪对PM2.5浓度、温度和湿度进行了足够长的采样时间。将该模型与基准(多元线性回归模型)和低成本传感器结果进行了比较。对于PM2.5浓度的均方根误差(RMSE),与低成本传感器的原始数据相比,该模型降低了41-60%的误差,与基准模型相比,降低了30-51%的误差。ML模型、MLR与原始数据的R2分别为93、80、59%。此外,在不同位置使用新传感器进行标定时,所开发的模型仍表现出一致的标定性能。低成本传感器结合ML模型不仅可以提高基准的校准性能,而且可以应用于传感器监测系统,用于各种流行病学调查和调控决策。

关键词

机器学习;深度学习;校准;空气质量;低成本的传感器;暴露评估

评论(0)

我们鼓励广泛的读者评论和反馈。看标准的评论和我们的多样性声明。

留下公众评论
向作者发送私人评论
的观点 0.
下载 0.
注释 0.
指标 0.


×
警报
当这篇文章的更新或同行评议的版本发布时通知我。
我们在网站上使用cookie以确保您获得最佳体验。
阅读更多关于我们的饼干在这里