空气污染预测是利用同一信号的历史数据（单变量预测）或多个相互关联信号的历史数据（多变量预测）来预测给定序列的未来值（马丁内斯等人，2013 年）。

AirVisual 的预测数据是采用多元预测方法制定的。AirVisual 数据库学习深度数据架构，在噪音中寻找信号和处理信息。

与其他方法相比，这种深度架构学习方法因其多层次的非线性而备受青睐；它具有学习复杂特征的理论能力，同时还能实现更好的泛化。

深度学习是神经网络、人工智能、图形建模、优化、模式识别和信号处理等研究领域的结合。这种算法之所以被称为 "深度"，是因为输入在产生输出之前必须经过若干非线性过程。多层的优势在于能够紧凑地表示高度非线性和高度变化的函数（Dalto, M）。

面对大量数据时，机器学习会比人类更准确地根据相似性对这些类别进行 "聚类"。然后，这个过程会逐渐学会分类--从较低级别的分类开始，到较高级别的分类结束。这一过程被称为无监督学习。

深度学习有两个关键特征：

1. 由多层或多阶段非线性信息处理组成的模型。
2. 在更高层次、更抽象的层级上对特征表征进行有监督或无监督学习的方法。

为了预测污染水平，我们的公式包括深度学习/架构，以及一种有助于区分类别与污染水平之间关系的算法。这是因为深度学习缺乏表示关系的方法，而且在获取这些关系时经常面临挑战--因此，深度学习只是构建智能机器的更大挑战的一部分，还需要帮助才能创建准确的输出。

机器学习研究将当前空气质量和当前天气状况与天气预报和历史空气质量联系起来的模式。当然，接收到的数据越多，预报就越准确。

多层神经网络的缺点是相当复杂。设置困难且复杂，有许多参数需要调整。

空气污染本身受许多因素（环境因素和人为因素）的影响，因此，由于这些因素的不可预测性，预测可能会出现误差。

图 1 用图形解释了 AirVisual 使用的空气质量预测计算过程。这是一个闭环系统，也称为反馈控制系统，可使系统调整其性能以满足预期响应。该系统捕捉所有实时数据（当前天气状况、当前空气质量）、历史数据（空气质量、天气状况）和历史模式（天气、空气质量）；这些组成部分构成了引擎的输入。除了实时数据外，所有数据都由人工智能系统控制--该系统有自己的学习方法，并在计算数据的过程中不断学习。预报引擎使用一系列公式来确定空气质量预报，然后通过反馈循环过程对输出进行评估，以提供更准确的预报。

值得注意的是，AirVisual 预报器无法考虑不可预测的事件，包括自然灾害和政府批准的清洁空气（排放法、汽车限制）。因此，AirVisual 在这些事件中的预测可能不准确。其他限制还包括天气预报（发展中国家通常缺乏高度准确的天气预报）和位置/地理位置。

免责声明

本预报模型以及由此产生的所有空气质量预测旨在提供与空气质量有关的准确信息。我们已采取措施确保其质量和准确性。但是

• AirVisual 依靠数值天气预报 (NWP) 模型，尤其是全球预报系统 (GFS)。对某些国家（如中国）而言，GFS 的准确性低于其他国家，因此有时会影响空气质量预报的准确性。


• 我们不对预报信息的准确性、完整性或正确性承担任何法律责任或义务。


• 对于因从 AirVisual 预报中获取的任何信息而直接或间接造成的损害或损失，我们不承担任何法律责任。