无服务器AQI预测系统：从特征工程到自动化模型重训练的完整MLOps实践

本项目是一个端到端无服务器机器学习管道，实现未来3天空气质量指数(AQI)预测。集成GitHub Actions自动重训练、Hopsworks特征存储及生产级Dashboard，解决传统AQI预测滞后问题，为公众健康防护提供提前预报，同时是MLOps实践的优秀案例。

空气质量指数(AQI)影响日常决策（如户外活动、健康防护），但传统发布存在滞后性。基于ML的预测可提前数天预报，但构建生产级系统面临多源数据处理、特征工程、模型时效性维护等挑战。本项目通过无服务器架构与MLOps自动化流程，让个人开发者也能部署企业级预测服务。

AQI预测需综合污染物浓度（PM2.5、PM10、NO2、臭氧、二氧化硫、一氧化碳等）及气象数据（温度、湿度、风速、气压等）。项目实现每小时自动化特征工程：包括数据清洗、缺失值填充、特征缩放、时序特征构造，确保输入模型的数据最新完整。

空气质量数据具有时序特性，季节性变化、污染源变化会影响模型效果。项目通过GitHub Actions实现每日自动重训练，基于最新数据学习，避免模型老化，保持预测准确性。

项目采用Hopsworks特征存储，解决ML核心痛点：特征一致性（训练/推理逻辑相同）、特征复用、特征血缘追踪、时间旅行（获取历史任意时间点特征状态），实现训练与推理解耦，提升系统可维护性。

无服务器架构带来三大好处：成本优化（按实际计算时间计费，适合事件驱动场景）、自动扩展（访问量激增时自动扩容）、运维简化（无需管理服务器，专注业务逻辑）。

项目提供直观Dashboard：实时AQI数值、未来3天趋势、污染物分项展示、健康建议提示，将复杂预测结果转化为用户易理解的可视化，服务公众健康决策。

本项目是优秀MLOps案例，展示从实验室原型到生产系统的转化。可借鉴实践包括自动化优先、特征即代码、监控与可观测性（建议）、渐进式部署。架构通用，可扩展到花粉浓度、紫外线指数等预测场景，对MLOps学习者是绝佳参考。