北京化工大学化学学院最新发布了一篇研究文章，该研究致力于开发一种便携式气相色谱仪，结合机器学习实现现场的VOC采集和快速的气味评价。

　　研究者通过使用卷积神经网络-长短期记忆（CNN-LSTM）建立了气味强度的预测模型；由于收集的数据量较小，使用生成对抗网络（GAN）对每个气味强度类别的VOC数据进行了生成，以增强模型的训练。

　　在生成数据后，研究者再次使用CNN-LSTM建立了模型，并与人工神经网络（ANN）、支持向量机（SVM）和梯度提升决策树（XG-Boost）进行了比较。结果表明，使用GAN生成数据后的测试准确率优于原始数据。

　　未来的工作将集中在进一步优化模型和扩大数据集上，以提高预测的准确性和稳定性。

　　这项研究表明，通过使用深度学习和生成对抗网络，可以有效地预测车内的气味强度，从而改善车内的空气质量。此外，研究者还将探索将这种方法应用于其他环境条件下的空气质量预测，为未来的空气质量监测和改善提供了新的可能性。便携且模型结构较小的设备可以直接嵌入到车上，从而实现现场的VOC采集和快速的气味评价。