53 / 2025-03-30 14:51:50

基于机器学习的公共场所吸烟行为识别模型研究

空气污染物；公共场所；吸烟行为；机器学习；红外温度

[目的] 揭示典型室内公共场所烟草烟雾暴露特征，构建基于多源环境传感数据的机器学习吸烟行为识别模型。

[方法] 2022年10-12月于上海市，采用方便抽样方法选取6家服务场所（网吧、KTV等）及3家办公场所进行连续7天监测。同步采集PM_2.5、CO、CO₂、尼古丁浓度及红外温度数据，通过ChinaHighAirPollutants（CHAP）数据集匹配公共场所室外同期高精度污染物浓度数据（1*1 km），计算室内外（I/O）比值。运用Mann-Whitney U检验分析场所类型差异，Spearman秩相关筛选特征污染物。针对吸烟高发场所，通过视频标注建立分钟级行为标签数据库，采用滑动时间窗算法关联环境时序数据（含滞后效应），最终构建XGBoost、随机森林等五类机器学习模型，通过交叉验证比较AUC值确定最优模型。

[结果] 服务类场所PM_2.5（96.44 vs 19.72 μg/m³）、CO（1525.74 vs 850.59 μg/m³）、CO2（1111.30 vs 882.17 mg/m³）浓度显著高于办公场所（P<0.01），I/O比均>2且与尼古丁浓度显著相关（r_s=0.85）。融合PM_2.5、CO、CO₂及红外温度波动的随机森林模型表现最优，吸烟行为识别AUC达0.97，较单PM_2.5指标模型提升45.7%。

[结论] 多污染物协同监测可显著提升吸烟行为识别效能，本研究构建的融合环境污染物加红外温度的多元特征机器学习模型为公共场所智能化控烟提供了新型技术路径。