我从事空气质量传感器的工作，其中一些是电化学气体传感器。作为背景，这些传感器受到恒电位仪电路的刺激，恒电位仪电路施加偏置电压，然后测量流过传感器的电流（通常为纳安级）。流过传感器的电流量与传感器暴露的目标气体的浓度有关。电流还与压力、相对湿度、温度和暴露于交叉敏感气体有关，这是我存在的祸根。

根据传感器制造商的建议，我们传统上使用数据建模方法将传感器测量的电流解释为目标气体的浓度。我们通过测量对清洁空气和温度范围的响应来做到这一点，然后使用该特征来解释与目标气体暴露有关的特征基线响应的偏差。

我们没有办法真正评估该模型的质量，因为我们既没有参考仪器，也没有将传感器暴露在受控气体浓度下的方法，但我们能够按顺序将传感器暴露在目标气体中确认它们对目标气体有明显反应。

我遇到的挑战是，由上述特征参数化的数据模型，在更长的时间段（即一周）内，并在温度、相对湿度和压力自然发生的变化下受到清洁空气的影响，产生的跨度为解释浓度的变化过大。它不是嘈杂，而是在漂移。这让我相信数据模型非常缺乏。

这使我认为算法（机器学习）方法可能会产生更好的结果。鉴于我有清洁空气条件下温度、相对湿度、压力和传感器电流（均为实值）的一分钟分辨率数据，哪些工具最适合将传感器电流建模为温度、相对湿度的函数，和压力？我最担心的是我们实际上无法创建代表输入空间合理横截面的条件。

然后，我将使用传统数据模型来解释与预测基线的偏差以估计气体浓度。

附带说明的是，温度和相对湿度在物理上是相关的，尽管我可以从数学上将绝对湿度与温度、相对湿度和压力相抵消，我认为这会使它不相关。

更新/澄清

如果上述内容不清楚，我们的目标是能够估计传感器在清洁空气环境中不同压力、湿度和温度条件下产生的基线电压——作为使用偏转的一种手段预测基线作为计算目标物质气体浓度时感兴趣的信号。所以基本上我正在研究仪器领域中通常称为零校准的替代方法。

如果我有关于目标物种的真实数据，在我看来，我似乎可以跳过关于偏离预测基线的业务，直接从电压、温度、湿度和压力时间向量估计浓度。