Graph Convolutional Support Vector Regression for Robust Spatiotemporal Forecasting of Urban Air Pollution

Resumen Técnico: Regresión por Vectores de Soporte con Convolución Grafica para la Predicción Robusta Espaciotemporal de la Contaminación del Aire Urbana

Planteamiento del Problema
La predicción de la calidad del aire urbano enfrenta desafíos significativos debido a la naturaleza no lineal, no estacionaria y dependiente espaciotemporalmente de las concentraciones de contaminantes. Estas dinámicas se ven frecuentemente interrumpidas por observaciones anómalas derivadas de la congestión del tráfico, las emisiones industriales y la variabilidad meteorológica estacional. Los modelos estadísticos tradicionales (por ejemplo, ARIMA, STARMA) a menudo fallan en capturar no linealidades complejas y dependencias espaciales, mientras que los enfoques de aprendizaje profundo estándar (por ejemplo, LSTM, Transformer) pueden carecer de robustez frente a valores atípicos y no proporcionan inherentemente pronósticos probabilísticos calibrados. Este estudio aborda la necesidad de un marco capaz de realizar predicciones espaciotemporales robustas en entornos caracterizados por alta variabilidad de la contaminación y datos propensos a valores atípicos, específicamente dentro de los contextos urbanos indios de Delhi y Mumbai.

Metodología
Los autores proponen un marco de Regresión por Vectores de Soporte con Convolución Gráfica (GCSVR), que integra el aprendizaje de grafos espaciales con la regresión temporal robusta. La metodología consta de dos módulos principales:

1. Módulo Espacial (Red de Convolución Gráfica):

   • Las estaciones de monitoreo se modelan como nodos en un grafo no dirigido $G=(V, E)$, donde las aristas representan relaciones espaciales.
   • La matriz de adyacencia se construye utilizando distancias de Haversine ponderadas entre las coordenadas de las estaciones, codificadas mediante un kernel gaussiano para definir los pesos de las aristas.
   • Las Capas de Convolución Gráfica (GCN) agregan información de las estaciones vecinas para generar incrustaciones espaciales. El modelo emplea una aproximación de primer orden de filtros de polinomios de Chebyshev para garantizar la eficiencia computacional.
   • Este módulo produce incrustaciones de nodos mejoradas por el grafo que capturan la dependencia espacial inter-estacional.

2. Módulo Temporal (Regresión por Vectores de Soporte):

   • Para cada estación, el vector de entrada se forma concatenando la serie temporal local rezagada de contaminantes con la incrustación espacial mejorada por el grafo derivada de la GCN.
   • Se entrena un modelo SVR separado para cada estación utilizando un kernel de Función de Base Radial (RBF).
   • Crucialmente, el SVR utiliza una función de pérdida insensible a $\epsilon$. Esta función de pérdida ignora los errores dentro de un margen de tolerancia especificado ($\epsilon$), reduciendo así la sensibilidad a observaciones aisladas ruidosas o extremas (valores atípicos) en comparación con los métodos basados en error cuadrático.
   • La predicción multi-paso se logra mediante una estrategia recursiva, donde los valores predichos se agregan a la secuencia de entrada para los pasos de tiempo subsiguientes.

3. Cuantificación de la Incertidumbre:

   • Para generar intervalos de predicción calibrados, el marco integra Predicción Conformal.
   • Este enfoque libre de distribuciones calcula puntuaciones de conformidad basadas en errores de pronóstico dentro de una ventana de calibración deslizante, produciendo intervalos de predicción adaptativos que se amplían durante episodios volátiles y se estrechan durante períodos estables.

Evaluación Experimental
El marco se evaluó utilizando registros diarios de calidad del aire para PM2.5 y PM10 de:

• Delhi: 37 estaciones de monitoreo (entrenamiento 2019–2023, prueba 2023).
• Mumbai: 18 estaciones de monitoreo (entrenamiento 2021–2023, prueba 2024).

El rendimiento se evaluó en tres horizontes de predicción (30, 60 y 90 días) utilizando seis métricas: Error Absoluto Medio (MAE), Error Absoluto Medio Escalado (MASE), Raíz del Error Cuadrático Medio (RMSE), Error Porcentual Absoluto Simétrico Medio (SMAPE), Pérdida Pinball y Puntuación de Probabilidad Clasificada Continua (CRPS). El modelo GCSVR se comparó contra nueve puntos de referencia, incluidos modelos temporales (ARIMA, LSTM, DeepAR, Transformer, N-BEATS) y modelos espaciotemporales (STARMA, GSTAR, GpGp, STGCN).

Resultados Clave

• Precisión Predictiva: GCSVR logró consistentemente las tasas de error más bajas o cercanas a las más bajas en la mayoría de las métricas y horizontes para ambas ciudades. Demostró una robustez particular durante episodios de alta contaminación y en las estaciones de invierno en Delhi, donde los datos propensos a valores atípicos suelen degradar otros modelos.
• Estabilidad: A diferencia de los puntos de referencia de aprendizaje profundo (por ejemplo, Transformer, DeepAR) que mostraron un aumento en la variabilidad y magnitudes de error en horizontes más largos, GCSVR mantuvo un rendimiento estable a medida que el horizonte de predicción se extendía de 30 a 90 días.
• Significancia Estadística: Las Pruebas de Comparación Múltiple con el Mejor (MCB) confirmaron que el rendimiento superior de GCSVR fue estadísticamente significativo, logrando el modelo los rangos medios más bajos en la mayoría de las métricas de evaluación en ambas ciudades.
• Calibración de la Incertidumbre: La integración de la predicción conformal generó exitosamente intervalos adaptativos que capturaron la volatilidad de los episodios de contaminación, proporcionando límites de incertidumbre confiables para la toma de decisiones.

Significado y Afirmaciones
El artículo afirma que el marco GCSVR ofrece una solución robusta para la predicción de la contaminación del aire urbano al combinar eficazmente el modelado de dependencias espaciales de las redes neuronales gráficas con la resistencia a valores atípicos de la Regresión por Vectores de Soporte. Los autores afirman que este enfoque híbrido es particularmente valioso para:

• Manejo de Valores Atípicos: La función de pérdida insensible a $\epsilon$ permite que el modelo mantenga la precisión en presencia de picos de contaminación anómalos comunes en ciudades como Delhi.
• Generalizabilidad: El marco demostró un rendimiento consistente en dos entornos climáticos y geográficos distintos (Delhi interior y Mumbai costera).
• Utilidad Política: Al proporcionar tanto pronósticos puntuales precisos como intervalos de incertidumbre calibrados, el modelo respalda la planificación de salud pública basada en evidencia, sistemas de alerta temprana y estrategias de mitigación.

El estudio concluye que, si bien el marco actual se basa en concentraciones históricas y grafos basados en distancias, establece una herramienta escalable y fundamentada estadísticamente para la evaluación de riesgos espaciotemporales que puede extenderse en trabajos futuros para incluir covariables meteorológicas y de emisiones.