呼吸卫士AIRGuard：基于AI的城市空气质量多源融合监测与健康守护平台，用LSTM+Attention预测未来7天AQI，给人最贴心的健康建议

TRAE AI 创造力大赛 【大赛初赛专区】
1

:pushpin: 标题

【社会服务赛道】「呼吸卫士 AIRGuard」城市空气质量AI多源融合监测与健康守护平台

:memo: 正文

0. 先和大家打个招呼吧 :waving_hand:

你是谁： 一名大学生，正在学习数据科学和机器学习。

你是怎么用 TRAE 把 Demo 做出来的：

说实话，一开始我只是有个"想做个空气质量监测平台"的想法，但不知道从何入手——后端怎么写？前端怎么展示？模型怎么训练？这些问题把我难住了。

然后我遇到了 TRAE。我就像跟人聊天一样，把我的想法一点点讲给它听：

  • “我想做一个空气质量监测平台，需要采集数据” → 它帮我写了爬虫模块和数据存储
  • “我想要一个好看的可视化大屏” → 它帮我生成了完整的ECharts图表代码
  • “我想做AI预测” → 它帮我实现了LSTM+Attention和XGBoost双模型

最让我惊喜的是，当我遇到问题时，比如"前端页面怎么跳转"、“数据怎么清洗”，TRAE都会给出具体的解决方案，甚至直接帮我修改代码。

完成这个项目分了两个阶段：刚开始在6月19号做了一个大概的思路，这个项目做了一个半成品，但是要期末考试复习所以就没有继续做。知道今天7月9号才开始继续做，把这个项目做成demo

1. Demo 简介

是什么： 一个基于AI的Web端城市空气质量监测与预测平台（支持PC/手机浏览器访问）

面向谁：

  • :older_person: 中老年人群体（尤其患有哮喘、慢阻肺等呼吸系统疾病的老人）
  • :family_man_woman_girl_boy: 有老人和小孩的家庭
  • :person_running: 户外运动爱好者（晨跑、骑行、广场舞人群等）
  • :office_worker: 城市通勤上班族

主要功能：

:house: 监测大屏

屏幕截图 2026-07-09 150022
屏幕截图 2026-07-09 1500221920×1152 348 KB

  • 全国32个主要城市实时空气质量监测
  • 城市AQI排名、污染物雷达图、AQI变化趋势
  • 智能预警系统，实时显示污染热点

:crystal_ball: AI预测中心

屏幕截图 2026-07-09 153240
屏幕截图 2026-07-09 1532401920×1031 180 KB

  • 基于LSTM+Attention深度学习模型，预测未来7天AQI趋势
  • 个性化健康建议（适合做什么/避免做什么）
  • 模型精度指标展示（MAE ~12，R² ~0.90）

:bar_chart: 数据分析

屏幕截图 2026-07-09 152800
屏幕截图 2026-07-09 1528001920×1041 317 KB

  • 相关性热力图、季节性分析、城市排名
  • 重污染事件统计、月度趋势分析

2. Demo 创作思路

灵感来源：
家中老人每天出门前都要看空气质量，但面对PM2.5、PM10、O₃等一堆数据一头雾水。我发现市场上缺少一个"既看得懂趋势、又能提前预告、还能给出个性化健康建议"的智能空气助手。

想解决的问题：

  • :cross_mark: 现有工具只展示当前实时数据，无法预测未来趋势
  • :cross_mark: AQI数据、气象信息、健康建议分散在不同平台，缺乏一站式整合
  • :cross_mark: 数据呈现方式对老年人不友好，门槛高、看不懂
  • :cross_mark: 没有个性化能力——不区分用户年龄、健康状况

为什么做这个方向：
空气污染是每个人每天都会遇到的问题，而老年人是最脆弱的群体。通过AI预测让人们"提前预知、主动预防"，从被动防护升级为主动健康管理，这是一个既有技术挑战又有社会价值的方向。

3. Demo 体验地址

交互式可体验的HTML格式文件： 见上传附件 airoguard_showcase.html

本地运行方式：

# 安装依赖
pip install -r requirements.txt

# 生成演示数据（或使用真实数据）
python main.py demo

# 启动Web服务
python main.py serve

# 访问：http://localhost:5000

4. TRAE 实践过程

开发关键步骤

步骤1：项目架构设计
我告诉TRAE"我想做一个空气质量监测平台"，它帮我设计了完整的模块化架构：

数据采集 → 数据存储 → 数据处理 → AI建模 → 可视化 → Web应用

步骤2：数据采集与存储
TRAE帮我实现了：

  • AQI数据爬虫模块
  • 气象数据API接入
  • SQLite/MySQL双引擎支持
  • 模拟数据生成器（方便演示）

步骤3：AI模型开发
TRAE帮我实现了：

  • LSTM+Attention深度学习模型（PyTorch）
  • XGBoost机器学习基线模型
  • 特征工程（时间特征、滞后特征、滑动窗口）

步骤4：可视化大屏开发
TRAE帮我生成了完整的ECharts可视化代码，包括：

  • 全国AQI热力图
  • 城市排名柱状图
  • 污染物雷达图
  • 相关性热力图
  • 7天预测趋势图

步骤5：Web应用开发
TRAE帮我实现了：

  • Flask后端API接口
  • 响应式前端页面
  • 导航系统（支持页面跳转）
  • 健康建议API

关键任务对话 Session ID

:warning: 请在发帖前补充真实的Session ID（双击TRAE对话复制）

  • Session ID 1：.186296741134404:385d0419c4351892cedc2eb79d52a779_6a4f1d9fb2c4638abaf3e8e7.6a4f1debb2c4638abaf3e8e9.6a4f1deb1b13339ee248996f:Trae CN.T(2026/7/9 12:05:00)
  • Session ID 2：.186296741134404:ad626700bcaf18ae85b04f8362903dd2_6a4f1d9fb2c4638abaf3e8e7.6a4f1eb2b2c4638abaf3e950.6a4f1eb21b13339ee2489970:Trae CN.T(2026/7/9 12:08:18)
  • Session ID 3：.186296741134404:798af803588d73f281f4554ded569a8d_6a4f1d9fb2c4638abaf3e8e7.6a4f253fb2c4638abaf3e9a9.6a4f253e1b13339ee2489973:Trae CN.T(2026/7/9 12:36:15)
  • Session ID 4：.186296741134404:07a64549f42d1e124c453e4e998c19a8_6a4f1d9fb2c4638abaf3e8e7.6a4f25d6b2c4638abaf3e9ce.6a4f25d61b13339ee2489974:Trae CN.T(2026/7/9 12:38:46)
  • Session ID 5：.186296741134404:bb02e71add8f13652443aa33799776cd_6a4f1d9fb2c4638abaf3e8e7.6a4f3e62b2c4638abaf3e9ea.6a4f3e621b13339ee2489975:Trae CN.T(2026/7/9 14:23:30)

5. 对应的报名审核通过的帖子链接

【社会服务赛道】「呼吸卫士 AIRGuard」— 城市空气质量AI多源融合监测与健康守护平台 - TRAE AI 创造力大赛 / 【大赛报名专区】 - TRAE 官方中文社区

:warning: 请在发帖前补充报名审核帖子链接

附：项目技术栈

模块 技术
后端框架 Python + Flask
数据库 SQLite / MySQL
数据处理 Pandas + NumPy
深度学习 PyTorch (LSTM+Attention)
机器学习 XGBoost + Scikit-learn
可视化 ECharts 5.x
数据采集 Requests + AQICN API

附：项目亮点总结

:white_check_mark: 双AI模型融合：LSTM+Attention + XGBoost，预测精度R² ~0.90
:white_check_mark: 多源数据融合：AQI + 气象 + 时间特征，50+维度特征空间
:white_check_mark: 智能预警系统：实时监测，自动触发分级预警
:white_check_mark: 个性化健康建议：老年人友好设计，通俗易懂的建议
:white_check_mark: 全交互可视化大屏：暗色系主题，科技感十足
:white_check_mark: 完整工程化设计：模块化架构、配置化管理、RESTful API

项目地址：github.com/favourone/air-quality-platform

airoguard_showcase.html (45.7 KB)