Aeris：基于时间分段机器学习的智能空气质量监测与异常检测系统

Aeris是专为印尼泗水市设计的智能空气质量监测与异常检测系统，由泗水电子理工学院(PENS)2026届学生团队开发。该系统采用时间分段机器学习策略，结合PyCaret AutoML实现3小时污染预测，通过Isolation Forest进行实时异常检测，并严格遵循印尼环境部(KLHK)的ISPU官方标准。项目源码开源于GitHub，旨在为空气质量管理提供精准数据支持。

城市空气质量具有高度动态性，泗水市不同时段污染特征差异显著：早高峰（06:00-11:59）PM2.5因尾气与逆温飙升；中午（12:00-17:59）高温强光加速臭氧生成；傍晚/夜间（18:00-05:59）晚高峰与逆温导致污染物堆积。传统系统采用单一模型覆盖全天，忽视时变规律，预测精度受限。

Aeris是PENS数据科学专业学生的毕业设计，团队分工完成数据收集到部署全流程。核心创新为时间分段建模：将一天分为3个污染特征独特的时段，为PM2.5、PM10、CO、NO2、O3五种污染物各训练3个时段专用模型（共15个），系统根据当前时间自动选择模型，提升预测精度。

技术架构：分层设计包括PostgreSQL数据层、PyCaret+Isolation Forest的ML层、FastAPI后端API、响应式前端仪表板、APScheduler调度系统。

数据Pipeline：提取21维特征，含时间特征（小时、星期等）、滞后特征（1/3/24小时滞后值）、滚动统计（均值/标准差/最大值）、变化率特征、气象特征（温度/湿度等）及ISPU特征。

模型选择：使用PyCaret AutoML自动比较15种回归算法（随机森林、XGBoost等），为每个污染物-时段组合选择最优模型，MLflow实现实验追踪与版本管理。

异常检测：并行运行Isolation Forest模块，判断当前观测值是否异常（突发污染或传感器故障），与预测模型互补，提供全面数据支持。

ISPU标准：严格遵循KLHK 2020年第14号部长令，将空气质量分为6等级（良好-危险），仪表板采用对应颜色编码，异常等级自动触发警告。

部署运维：Docker容器化部署，支持一键启动；每周自动重训练模型确保性能；提供本地开发指南，支持自定义配置。

项目口号为"清洁空气，光明未来——早期检测，明智行动"，体现技术服务社会理念。系统可推广至其他具有类似污染模式的城市，为全球空气质量监测提供参考。Aeris展示了机器学习在环境科学的务实应用，是学术研究与工程实践结合的理想产出。