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

Luftverschmutzung ist ein ständiger Begleiter im modernen Leben, doch eine spezifische Art unsichtbarer Bedrohung bleibt oft unbemerkt, bis sie Schaden anrichtet: bodennahes Ozon. Im Gegensatz zur schützenden Schicht in der hohen Atmosphäre ist Ozon in Bodennähe ein giftiges Nebenprodukt, das entsteht, wenn Sonnenlicht mit anderen Schadstoffen reagiert. Es ist ein Hauptverursacher von Smog und stellt ein erhebliches Gesundheitsrisiko dar, insbesondere für Kinder und ältere Menschen, da es häufig Atemwegserkrankungen auslöst und Ernten schädigt. Da die Ozonwerte schnell und unvorhersehbar schwanken können, ist es für die öffentliche Gesundheit entscheidend zu wissen, wann die Konzentrationen steigen werden. Dies ermöglicht es Menschen, ihren Tag zu planen, hilft Ärzten, sich auf einen Zustrom von Patienten vorzubereiten, und liefert Stadtplanern die Daten, die sie für die Steuerung von Verkehr und Industrie benötigen. Die Vorhersage dieser Spitzenwerte ist jedoch äußerst schwierig, da die Daten unordentlich sind, voller plötzlicher Sprünge und verborgener Muster, mit denen Standard-Prognosewerkzeuge Schwierigkeiten haben.

Ein Forschungsteam von PowerChina Guizhou Electric Power Engineering Co., Ltd und der Fuzhou University hat einen neuen Ansatz entwickelt, um dieses Problem zu lösen. Sie haben ein Vorhersagemodell entwickelt, das speziell darauf ausgelegt ist, die chaotische Natur von Ozondaten zu bewältigen. Anstatt zu versuchen, die rohen, zackigen Zahlen direkt vorherzusagen, zerlegt ihre Methode die Daten in kleinere, einfachere Teile, bereinigt das Rauschen und baut die Prognose dann mit größerer Präzision wieder auf. Bei der Testung ihres Systems mit täglichen Ozondaten aus Peking und Shanghai stellte das Team fest, dass ihr neues Modell bestehende Methoden deutlich übertraf und ein klareres, zuverlässigeres Bild davon lieferte, wann gefährliche Luftqualität auftreten könnte.

Der Kern ihrer Strategie besteht in einem Prozess des Zerlegens, um Dinge besser zu verstehen. Stellen Sie sich vor, Sie versuchen, einem Gespräch in einem überfüllten Raum zuzuhören; wenn Sie sich auf den gesamten Lärm konzentrieren, hören Sie nichts. Aber wenn Sie die einzelnen Stimmen isolieren, wird die Botschaft klar. Die Forscher wandten eine ähnliche Logik auf die Ozondaten an. Zuerst verwendeten sie eine Technik namens „improved complete adaptive noise ensemble empirical mode decomposition“, um die komplexe, volatile Historie der Ozonwerte in mehrere verschiedene Schichten aufzuspalten. Dieser erste Schritt glättete die erratischen Spitzen und verwandelte ein chaotisches Signal in eine Reihe von regulierteren, handhabbareren Mustern.

Die Forscher stellten jedoch fest, dass selbst nach dieser ersten Aufteilung die allererste Datenschicht noch zu komplex war, um sie genau vorherzusagen. Sie war immer noch zu verrauscht und unvorhersehbar. Um dies zu adressieren, wandten sie eine zweite, fokussiertere Dekomposition nur auf diese eine schwierige Schicht an und zerlegten sie weiter, bis sie einfach genug für eine Analyse war. Anschließend gruppierten sie die verbleibenden Schichten basierend auf ihrer Komplexität und führten jene mit ähnlichen Merkmalen zu einzelnen, saubereren Strömen zusammen. Dieser zweistufige Ansatz stellte sicher, dass jedes Stück der Daten, das in die endgültige Vorhersage einfloss, so einfach und klar wie möglich war.

Nachdem die Daten bereinigt und vereinfacht worden waren, sah sich das Team einer weiteren Herausforderung gegenüber: zu entscheiden, welche Teile der vergangenen Geschichte tatsächlich für die Zukunft relevant sind. In der künstlichen Intelligenz kann das Füttern eines Modells mit zu vielen Informationen es verwirren – ein Problem, das als „Fluch der Dimensionalität“ bekannt ist. Um dies zu vermeiden, nutzten die Forscher einen zweistufigen Filter. Zuerst identifizierten sie, welche vergangenen Tage eine statistische Verbindung zum aktuellen Tag aufwiesen. Dann verwendeten sie einen Computeralgorithmus, um diese Verbindungen zu bewerten und nur die wichtigsten auszuwählen, während sie den Rest verworfen. Dies stellte sicher, dass das Modell nicht von irrelevanten Details überfordert wurde, sodass es sich auf die wahren Treiber der Ozonveränderungen konzentrieren konnte.

Schließlich wurden die bereinigten und gefilterten Daten in eine spezielle Art von künstlicher Intelligenz eingespeist, ein sogenanntes „Temporal Convolutional Network“. Dieses System ist darauf ausgelegt, in die Zeit zurückzublicken und langfristige Muster zu erfassen, die andere Modelle vielleicht übersehen würden. Durch die Kombination dieses leistungsstarken Prädiktors mit ihren strengen Datenvorbereitungsschritten erzielten die Forscher bemerkenswerte Ergebnisse. In Tests, die in Peking und Shanghai durchgeführt wurden, produzierten ihre Modelle Fehler, die signifikant kleiner waren als die anderer populärer Prognosemethoden. Speziell erreichte das neue Modell in Peking einen mittleren absoluten Fehler (Mean Absolute Error) von nur 0,53509 und einen quadratischen Mittelwert des Fehlers (Root Mean Square Error) von 0,73346, mit einer ähnlich hohen Genauigkeit in Shanghai. Diese Zahlen zeigen, dass die Vorhersagen des Modells extrem nah an den tatsächlich beobachteten Werten lagen und die Leistung von Standardmodellen, die diesen zweistufigen Dekompositions- und Merkmalsauswahlprozess nicht verwendeten, weit übertrafen.

Die Studie zeigt, dass der Schlüssel zur Vorhersage komplexer Umweltphänomene nicht nur darin liegt, einen leistungsstarken Computer zu besitzen, sondern darin, wie die Daten vorbereitet werden, bevor der Computer sie überhaupt sieht. Durch das systematische Entfernen von Rauschen und die Konzentration auf die relevantesten historischen Muster schufen die Forscher ein Werkzeug, das sowohl robust als auch präzise ist. Während sich das aktuelle Modell ausschließlich auf die Ozonwerte konzentriert, schlagen die Autoren vor, dass zukünftige Arbeiten dies auf andere Faktoren wie Windgeschwindigkeit und Temperatur ausweiten könnten, was das System potenziell noch effektiver machen würde. Für den Moment bietet dieser neue Ansatz eine wertvolle Referenz für die Luftqualitätskontrolle und bietet einen intuitiveren und zuverlässigeren Weg, um die unsichtbaren Bedrohungen in der Luft, die wir atmen, vorherzusehen.