Artigo em revista científica Q1
On the automated learning of air pollution prediction models from data collected by mobile sensor networks
Pedro Mariano (Mariano, P.); Susana Marta Almeida (Almeida, S. M.); Pedro Santana (Santana, P.);
Título Revista
Energy Sources, Part A: Recovery, Utilization, and Environmental Effects
Ano (publicação definitiva)
N/A
Língua
Inglês
País
Estados Unidos da América
Mais Informação
Web of Science®

N.º de citações: 8

(Última verificação: 2024-11-21 00:15)

Ver o registo na Web of Science®


: 1.0
Scopus

N.º de citações: 8

(Última verificação: 2024-11-19 01:11)

Ver o registo na Scopus


: 0.9
Google Scholar

N.º de citações: 9

(Última verificação: 2024-11-18 01:01)

Ver o registo no Google Scholar

Abstract/Resumo
This paper addresses the problem of automated learning of air pollution predictive models that were trained using information gathered by a set of mobile low-cost sensors. Concretely, fast to compute machine learning methods (Decision Trees and Support Vector Machines) were used to build regression models that predict air pollution levels for a given location. The models were trained using the data collected by the OpenSense project, in particular, number of particulate matter, particle diameter, and lung deposited surface area (LDSA). We examined two different sets of attributes: one based on a geographical description of the location under analysis (e.g. distribution of households and roads), and another based on a time series of past air pollution observations in that location. Overall, we have found out that past measures lead to better pollution predictions. The best R2 score was 0.751 obtained with the model that predicts LDSA and was trained with the data set with time series attributes, while the worst R2 was 0.009 obtained with the geographical data set to predict number of particles. The performance of the best model is on par with similar air pollution systems. Moreover it can be used in a production system that requires frequent updates.
Agradecimentos/Acknowledgements
--
Palavras-chave
Air pollution,Decision tree,Land-use,Machine learning,Support vector machine,Time-series
  • Ciências da Terra e do Ambiente - Ciências Naturais
  • Outras Ciências Naturais - Ciências Naturais
  • Engenharia Civil - Engenharia e Tecnologia
  • Engenharia Química - Engenharia e Tecnologia
  • Engenharia do Ambiente - Engenharia e Tecnologia
Registos de financiamentos
Referência de financiamento Entidade Financiadora
LISBOA-01-0145-FEDER-032088 Fundação para a Ciência e a Tecnologia
UIDB/04466/2020 Fundação para a Ciência e a Tecnologia
UIDB/04349/2020 Fundação para a Ciência e a Tecnologia

Com o objetivo de aumentar a investigação direcionada para o cumprimento dos Objetivos do Desenvolvimento Sustentável para 2030 das Nações Unidas, é disponibilizada no Ciência-IUL a possibilidade de associação, quando aplicável, dos artigos científicos aos Objetivos do Desenvolvimento Sustentável. Estes são os Objetivos do Desenvolvimento Sustentável identificados pelo(s) autor(es) para esta publicação. Para uma informação detalhada dos Objetivos do Desenvolvimento Sustentável, clique aqui.