A prediction model for hybrid air pollutants combining two-stage decomposition and two-scale feature selection

تعد تلوث الهواء حضوراً مستمراً في الحياة المعاصرة، ولكن هناك نوعاً معيناً من التهديدات غير المرئية التي غالباً ما تمر دون ملاحظة حتى تسبب الضرر، وهو: الأوزون عند مستوى الأرض. وخلافاً للطبقة الواقية الموجودة في طبقات الجو العليا، فإن الأوزون القريب من سطح الأرض هو منتج ثانوي سام ينتج عن تفاعل ضوء الشمس مع ملوثات أخرى. وهو محرك رئيسي للضباب الدخاني ويشكل خطراً صحياً كبيراً، لا سيما بالنسبة للأطفال وكبار السن، حيث يتسبب غالباً في مشا matter تنفسية ويضر بالمحاصيل الزراعية. ولأن مستويات الأوزون يمكن أن تتغير بسرعة وبشكل غير متوقع، فإن معرفة متى ستحدث طفرات في تركيزاته أمر حيوي للصحة العامة؛ فهو يتيح للناس التخطيط ليومهم، ويساعد الأطباء على الاستعداد لتدفق المرضى، ويمنح مخططي المدن البيانات اللازمة لإدارة حركة المرور والصناعة. ومع ذلك، فإن التنبؤ بهذه الطفرات صعب للغاية لأن البيانات مشوشة، ومليئة بالقفزات المفاجئة والأنماط الخفية التي تعجز أدوات التنبؤ القياسية عن فك رموزها.

قام فريق من الباحثين من شركة "باور تشاينا غويتشو للهندسة الكهربائية" وجامعة "فوتشو" بتطوير نهج جديد لحل هذه المشكلة. فقد ابتكروا نموذج تنبؤ مصمماً خصيصاً للتعامل مع الطبيعة الفوضوية لبيانات الأوزون. وبدلاً من محاولة التنبؤ بالأرقام الخام والمتعرجة مباشرة، تقوم طريقتهم بتفكيك البيانات إلى قطع أصغر وأبسط، وتنقية الضجيج، ثم إعادة بناء التوقعات بدقة أكبر. ومن خلال اختبار نظامهم على سجلات الأوزون اليومية في بكين وشنغهاي، وجد الفريق أن نموذجهم الجديد يتفوق بشكل كبير على الأساليب الحالية، مما يوفر صورة أوضح وأكثر موثوقية لمتى قد تحدث جودة هواء خطرة.

تتمثل استراتيجيتهم الأساسية في عملية تفكيك الأشياء لفهمها بشكل أفضل. تخيل أنك تحاول الاستماع إلى محادثة في غرفة مزدحمة؛ إذا ركزت على الضجيج بأكمله، فلن تسمع شيئاً، ولكن إذا عزلت الأصوات المحددة، فستصبح الرسالة واضحة. طبق الباحثون منطقاً مشابهاً لبيانات الأوزون؛ حيث استخدموا أولاً تقنية تسمى "تفكيك النمط التجريبي للمجموعة التكيفية الكاملة المحسنة" (improved complete adaptive noise ensemble empirical mode decomposition) لتقسيم التاريخ المعقد والمتقلب لمستويات الأوزون إلى عدة طبقات متميزة. قامت هذه الخطوة الأولية بتنعيم الطفرات غير المنتظمة، محولةً الإشارة الفوضوية إلى مجموعة من الأنماط الأكثر انتظاماً وقابلية للإدارة.

ومع ذلك، لاحظ الباحثون أنه حتى بعد هذا التقسيم الأول، ظلت الطبقة الأولى من البيانات معقدة للغاية بحيث يصعب التنبؤ بها بدقة، إذ كانت لا تزال مليئة بالضجيج وعدم اليقين. ولمعالجة ذلك، طبقوا عملية تفكيك ثانية أكثر تركيزاً على تلك الطبقة الصعبة وحدها، حيث قاموا بتفكيكها بشكل أكبر حتى أصبحت بسيطة بما يكفي لتحليلها. بعد ذلك، قاموا بتجميع الطبقات المتبقية بناءً على مدى تعقيدها، ودمج الطبقات ذات الخصائص المتشابهة في مسارات واحدة أكثر نقاءً. ضمن هذا النهج ثنائي المراحل أن كل قطعة من البيانات التي تغذي التنبؤ النهائي كانت بسيطة وواضحة قدر الإمكان.

بمجرد تنقية وتبسيط البيانات، واجه الفريق تحدياً آخر: وهو تحديد أي أجزاء من التاريخ الماضي هي المهمة فعلياً للمستقبل. في تعلم الآلة، يمكن أن يؤدي تغذية النموذج بمعلومات كثيرة جداً إلى إرباكه، وهي مشكلة تُعرف باسم "لعنة الأبعاد". ولتجنب ذلك، استخدم الباحثون مرشحاً من خطوتين؛ أولاً، حددوا الأيام الماضية التي لها صلة إحصائية باليوم الحالي. ثم استخدموا خوارزمية حاسوبية لتصنيف هذه الروابط واختيار أهمها فقط، واستبعاد الباقي. ضمن هذا الإجراء عدم تعرض النموذج لفيض من التفاصيل غير ذات الصلة، مما سمح له بالتركيز على المحركات الحقيقية لتغيرات الأوزون.

أخيراً، تم تغذية البيانات المنقاة والمفلترة بنوع متخصص من الذكاء الاصطناعي يسمى "الشبكة التلافيفية الزمنية" (temporal convolutional network). هذا النظام مصمم للنظر إلى الماضي عبر الزمن، والتقاط الأنماط طويلة المدى التي قد تفوتها النماذج الأخرى. ومن خلال الجمع بين هذا المتنبئ القوي وخطوات إعداد البيانات الصارمة، حقق الباحثون نتائج مذهلة. ففي الاختبارات التي أجريت في بكين وشنغهاي، أنتج نموذجهم أخطاءً أصغر بكثير من طرق التنبؤ الشائعة الأخرى. وتحديداً، حقق النموذج الجديد متوسط خطأ مطلق قدره 0.53509 وجذر متوسط مربع خطأ قدره 0.73346 في بكين، مع دقة عالية مماثلة في شنغهاي. تشير هذه الأرقام إلى أن تنبؤات النموذج كانت قريبة جداً من القيم الفعلية المرصودة، متفوقة بمراحل على أداء النماذج القياسية التي لم تستخدم عملية التفكيك ثنائية المرحلة واختيار الميزات هذه.

توضح الدراسة أن مفتاح التنبؤ بالظواهر البيئية المعقدة لا يكمن فقط في امتلاك حاسوب قوي، بل في كيفية إعداد البيانات قبل أن يراها الحاسوب. فمن خلال إزالة الضجيج بشكل منهجي والتركيز فقط على الأنماط التاريخية الأكثر صلة، أنشأ الباحثون أداة تتسم بالمتانة والدقة. وبينما يركز النموذج الحالي حصرياً على مستويات الأوزون، يشير المؤلفون إلى أن العمل المستقبلي يمكن أن يتوسع ليشمل عوامل أخرى مثل سرعة الرياح ودرجة الحرارة، مما قد يجعل النظام أكثر فعالية. أما الآن، فإن هذا النهج الجديد يقدم مرجعاً قيماً للتحكم في جودة الهواء، مما يوفر طريقة أكثر بديهية وموثوقية لاستباق التهديدات غير المرئية في الهواء الذي نتنفسه.