Urban Air Pollution Data Collection, Mapping, and Prediction Using Mobile Sensors Installed on Courier Trucks
Notice bibliographique
Résumé
Particulate matter with a diameter of 2.5 microns or less (PM 2.5 ) has significant impacts on human health, making it essential to understand its spatial and temporal variations. This study focuses on developing land use regression (LUR) models and improving their performance in predicting PM 2.5 concentrations in an urban setting. In this study, air quality data were collected using a sensor on a courier truck in downtown Toronto. Extreme gradient boosting (XGBoost), a machine learning algorithm, was employed to address limitations in traditional linear regression based LUR models, incorporating predictors such as land use, meteorology, and emissions to build robust models. A total of 27 models were trained, with varying road segment lengths, predictors, and outlier treatment thresholds. Three models tested the impact of road segment length on model predictions. Eight models examined the effect of removing outliers with different thresholds, revealing that appropriate thresholds improve accuracy. Ten models assessed the addition of emission and traffic data, which did not enhance performance, likely because of overlapping effects with other predictors. In six models, time-variant predictors such as time of day, month, humidity, wind speed, temperature, and pollutant concentrations from stationary stations were included. Adding these predictors significantly improved model performance, highlighting the complex relationships in LUR models for PM 2.5 predictions and offering valuable insights for air quality assessment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».