A Hybrid Multi-scale Convolutional Neural Network-Long Short-Term Memory Model Incorporating Squeeze Excitation Attention for Hourly Air Quality Index Prediction

Luftverschmutzung ist eine stille, sich ständig verändernde Kraft, die die Gesundheit von Städten und die Sicherheit der Menschen, die in ihnen leben, prägt. Um diese unsichtbare Bedrohung zu bewältigen, verlassen sich Wissenschaftler auf eine einzige Zahl, den Luftqualitätsindex oder AQI. Dieser Index fungiert als tägliches Zeugnis, das komplexe Mischungen aus Rauch, Staub und Gasen in einen Wert übersetzt, der uns sagt, ob die Luft sicher zum Atmen ist. Die Luft bleibt jedoch nicht stationär; sie verändert sich stündlich, angetrieben durch das Wetter, den Verkehr und industrielle Aktivitäten. Die Vorhersage dieser Veränderungen ist schwierig, da die beteiligten Faktoren auf komplexe, nicht-lineare Weise interagieren. Traditionelle Methoden haben oft Schwierigkeiten, das vollständige Bild zu erfassen, und übersehen die subtilen Muster, die einen plötzlichen Anstieg der Verschmutzung oder eine schnelle Klärung des Himmels signalisieren. Um dies zu lösen, haben sich Forscher der Disziplin des Deep Learning zugewandt, einem Zweig der Informatik, bei dem Computerprogramme lernen, Muster in riesigen Datenmengen zu erkennen, ganz so, wie ein menschliches Gehirn aus Erfahrung lernt.

In einer kürzlich durchgeführten Studie mit Fokus auf die Stadt Yiyang in der Provinz Hunan setzte ein Team von Forschern bestrebt, eine bessere Kristallkugel für die Luftqualität zu bauen. Sie wollten ein System entwickeln, das den stündlichen AQI mit hoher Präzision vorhersagen kann, indem es Daten aus den letzten zwei Jahren nutzt. Das Team unter der Leitung von Huawei Xu und Kollegen entwickelte ein neues hybrides Computermodell, das drei verschiedene digitale Werkzeuge kombiniert, um das Verhalten der Atmosphäre nachzuahmen. Zuerst verwendeten sie ein Multi-Scale Convolutional Neural Network, eine Art von Programm, das darauf ausgelegt ist, Daten gleichzeitig durch verschiedene „Linsen“ zu betrachten. Stellen Sie sich vor, Sie versuchen, eine Landschaft zu verstehen, indem Sie gleichzeitig ein Weitwinkelobjektiv, ein Teleobjektiv und ein Zoomobjektiv verwenden; dieses Werkzeug tut dasselbe für die Zeit, indem es kurzfristige Spitzen, mittelfristige Trends und langfristige Zyklen in den Verschmutzungsdaten gleichzeitig erfasst.

Als Nächstes führte das Team einen Mechanismus namens Squeeze-and-Excitation Attention ein. Dies fungt als intelligenter Filter für die Informationen, die der Computer gesammelt hat. In einem Sturm aus Daten ist nicht jede Information in jedem Moment gleichermaßen wichtig. Dieser Attention-Mechanismus ermöglicht es dem Modell, innezuhalten, zu bewerten, welche Faktoren derzeit die Verschmutzungswerte antreiben, und diese Signale zu verstärken, während es das Rauschen ignoriert. Schließlich speist das System diese verfeinerten Informationen in ein Long Short-Term Memory Netzwerk, oder LSTM, ein. Dieser Teil des Modells ist darauf spezialisiert, sich an die Vergangenheit zu erinnern; er bewahrt die Historie darüber, wie sich die Luftqualität im Laufe der Zeit verändert hat, was es dem Modell ermöglicht zu verstehen, wie ein kalter Morgen zu einem smogreichen Nachmittag führen kann oder wie eine Woche Regen die Luft klären kann. Durch das Verweben dieser drei Komponenten schufen die Forscher ein Modell, das die Daten nicht nur betrachtet, sondern die Geschichte versteht, die sie erzählen.

Die Forscher testeten ihr neues Modell gegenüber älteren, einfacheren Methoden unter Verwendung von Realweltdaten aus der Stadt Yiyang, die jede Stunde von Januar 2023 bis Dezember 2024 abdeckten. Sie speisten die historischen Aufzeichnungen von Schadstoffen wie Feinstaub und Kohlenmonoxid zusammen mit Wetterdaten wie Temperatur, Wind und atmosphärischem Druck in den Computer ein. Die Ergebnisse waren beeindruckend. Das neue hybride Modell übertraf die Standardansätze und reduzierte seine Vorhersagefehler im Vergleich zu den Basismodellen um etwa ein Viertel. Es erreichte einen Wert von 0,96 auf einer Skala, bei der 1,0 einer perfekten Übereinstimmung entspricht, was bedeutet, dass seine Vorhersagen unglaublich nah an dem lagen, was tatsächlich in der Luft geschah. Das Modell erwies sich als besonders geschickt im Umgang mit Extremen und konnte sowohl die gefährlichen Spitzen der Winterverschmutzung als auch die sauberen, niedrigen Werte des Sommers genau vorhersagen.

Die Studie enthüllte auch, wie sich die Luftqualität in Yiyang im Laufe des Jahres verhält. Die Daten zeigten einen klaren Rhythmus: Die Verschmutzungswerte sind im Winter am höchsten, oft über 100 auf dem Index, angetrieben durch kalte Temperaturen, die Rauch in Bodennähe einschließen, und die Verbrennung von Brennstoffen zur Heizung. Im Gegensatz dazu ist die Sommerluft deutlich sauberer, mit Durchschnittswerten unter 40, dank starker Regenfälle, die Schadstoffe wegwaschen, und steigender Hitze, die hilft, sie zu verteilen. Das Computermodell lernte diese saisonalen Regeln auf natürliche Weise, ohne explizit über die Kalenderdaten informiert worden zu sein. Als die Forscher das Modell fragten, welche Faktoren am wichtigsten waren, deutete es auf dieselben Dinge hin, die auch ein menschlicher Experte erwarten würde: die Konzentration von Feinstaubpartikeln, die Temperatur und den atmosphärischen Druck. Das Modell bestätigte, dass die Luftqualität folgt, wenn diese spezifischen Zahlen steigen oder fallen.

Durch die Kombination der Fähigkeit, Muster mit unterschiedlichen Geschwindigkeiten zu erkennen, der Intelligenz, sich auf das Wesentliche zu konzentrieren, und des Gedächtnisses, aus der Geschichte zu lernen, bietet dieser neue Ansatz ein leistungsstarkes Werkzeug für Stadtplaner und Gesundheitsbehörden. Er rät nicht nur die Zukunft; er berechnet sie basierend auf der komplexen, sich ständig ändernden Realität der Atmosphäre. Die Studie zeigt, dass Computer, wenn wir ihnen die richtigen Werkzeuge geben, um die Welt zu betrachten, uns helfen können, die unsichtbaren Gefahren in unserer Luft mit beispielloser Klarheit zu sehen und so einen zuverlässigen Leitfaden zum Schutz von Gemeinschaften vor den Gesundheitsrisiken der Luftverschmutzung zu bieten.