德里空气质量预测系统：用机器学习守护呼吸健康

德里空气质量预测系统是基于机器学习的实时AQI预测Web应用，旨在解决德里市民缺乏便捷实时空气质量工具的痛点。系统通过自动化数据管道获取实时污染物数据，利用随机森林模型预测AQI，结合Streamlit可视化提供健康建议、历史趋势分析等功能，技术上采用Docker容器化部署与MLOps最佳实践，为市民和政策制定者提供实用价值。

德里长期位列全球污染最严重城市，AQI随时间和地理位置剧烈波动，但市民缺乏实时预测工具。传统监测站仅提供历史数据，无预测能力和个性化健康指导，导致户外工作者、儿童等群体暴露于健康风险。本项目构建端到端机器学习系统，解决信息不对称问题。

核心功能：实时AQI预测、健康风险分类（6个等级+建议）、历史污染物趋势可视化；技术亮点：每小时自动化数据采集（GitHub Actions）、Docker容器化部署、模型可解释性（特征重要性展示）。

数据层：整合实时API（OpenWeatherMap/WAQI）与历史CPCB数据，GitHub Actions每小时自动采集预处理；特征工程：核心污染物（PM2.5/PM10等）+循环编码时间特征，PM2.5/PM10贡献超60%特征重要性；模型选择：随机森林（R²=0.94）优于XGBoost/线性回归；界面：Streamlit仪表盘展示实时AQI、趋势图表、健康建议及模型洞察。

• 季节性：冬季AQI比夏季高3倍（逆温层+农作物焚烧+烟花爆竹）；- 日内规律：早晚交通高峰时段污染最严重；- 主导因子：PM2.5/PM10是AQI核心驱动因素；- 自动化：每小时数据采集确保模型实时性。

Docker Compose：git clone ... && docker-compose up --build；本地环境：pip install -r requirements.txt && streamlit run app.py；Makefile命令：setup/run/docker/test；需配置.env文件的API密钥（OpenWeatherMap/WAQI免费获取）。

系统为市民提供实时决策依据（如是否户外活动），为政策制定者提供污染热点数据；开源架构可被其他污染城市借鉴，容器化设计降低维护成本，是技术赋能环保的范例。