Vorhersage des Luftqualitätsindex mit Ensemble Machine Learning

Diese Studie konzentriert sich auf die Nutzung von Ensemble Machine Learning zur Vorhersage und Prognose des Luftqualitätsindex (AQI). Die Forschung wird durch die negativen Auswirkungen der Industrialisierung und des Bevölkerungswachstums auf die Luftqualität motiviert, die schädliche Auswirkungen auf die menschliche Gesundheit haben. Während zahlreiche Methoden zur Vorhersage der Luftqualität existieren, ist es entscheidend, zukünftige Luftbedingungen vorherzusagen, um ihre größeren Konsequenzen zu minimieren. Daher schlägt diese Studie ein System zur Bewertung der Luftqualität vor, um zukünftige Vorhersagen zu erleichtern. Die Studie umfasst drei Hauptmodule: Datenvorbereitung, AQI-Prognose und Bewertung der Luftqualität. Das Datenvorbereitungsmodul beinhaltet die Echtzeitsammlung und -formatierung von Daten, um die Kompatibilität mit den nachfolgenden Modulen sicherzustellen. In dieser Forschung wird die Sparse Spectrum GPR (SSGPR)-Methode zur AQI-Prognose eingesetzt, während das Cloud-Modell für die Bewertung der Luftqualität verwendet wird. Die Ergebnisse der Studie zeigen die Fähigkeit des vorgeschlagenen Modells, die Unsicherheiten und Zufälligkeiten in der Vorhersage der Luftqualität zu berücksichtigen. Leistungskennzahlen wie der mittlere absolute Fehler (MAE), der quadratische Mittelwertfehler (RMSE) und der mittlere absolute prozentuale Fehler (MAPE) werden verwendet, um die Effektivität der Modelle zu bewerten. Basierend auf den Bewertungsergebnissen kann geschlossen werden, dass die in dieser Studie verwendete Ensemble Machine Learning-Methode effektiv den Luftqualitätsindex vorhersagt und prognostiziert. Diese Vorhersagen spielen eine entscheidende Rolle bei der Minimierung der negativen Auswirkungen von Luftverschmutzung auf die menschliche Gesundheit, indem sie Einblicke in zukünftige Luftbedingungen geben. Insgesamt trägt diese Forschung erheblich dazu bei, die zunehmend dringenden Herausforderungen im Zusammenhang mit der Luftqualität zu verstehen und anzugehen.