📊 statistics

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

यह शोध पत्र एक ग्राफ कन्वोल्यूशनल सपोर्ट वेक्टर रिग्रेशन (GCSVR) ढांचे का प्रस्ताव करता है जो दिल्ली और मुंबई में शहरी वायु प्रदूषण का सटीक पूर्वानुमान लगाने के लिए ग्राफ-आधारित स्थानिक शिक्षण को सुदृढ़ टेम्पोरल रिग्रेशन के साथ एकीकृत करता है, जबकि आउटलेर्स को प्रभावी ढंग से संभालता है और कैलिब्रेटेड अनिश्चितता अनुमान प्रदान करता है।

मूल लेखक: Nourin Jahan, Madhurima Panja, Muhammed Navas T, Tanujit Chakraborty

प्रकाशित 2026-05-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nourin Jahan, Madhurima Panja, Muhammed Navas T, Tanujit Chakraborty

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

दिल्ली या मुंबई जैसे हलचल भरे शहर में हवा की गुणवत्ता का पूर्वानुमान लगाने की कल्पना करें। यह केवल कल के मौसम के पूर्वानुमान को देखने के बारे में नहीं है; यह एक जटिल पहेली है। वायु प्रदूषण का स्तर अस्त-व्यस्त होता है, यह दिन-प्रतिदिन बहुत तेजी से बदलता है, और यह हर जगह एक जैसा व्यवहार नहीं करता है। एक पड़ोस धुंध (स्मॉग) से घुट रहा हो सकता है जबकि दूसरा साफ हो सकता है, जिसका कारण अक्सर ट्रैफिक जाम, कारखानों का धुआं या अचानक मौसम में बदलाव होता है।

यह शोध पत्र इस पहेली को सुलझाने के लिए GCSVR (ग्राफ कनवल्शनल सपोर्ट वेक्टर रिग्रेशन) नामक एक नया टूल पेश करता है। इसे एक "सुपर-स्मार्ट मौसम भविष्यवक्ता" के रूप में समझें जो विशेष रूप से वायु प्रदूषण के लिए डिज़ाइन किया गया है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. समस्या: पुराने तरीके क्यों विफल होते हैं

कल्पना कीजिए कि आप किसी शहर के तापमान का अनुमान लगाने की कोशिश कर रहे हैं।

पुराने सांख्यिकीय मॉडल (जैसे ARIMA): ये उस व्यक्ति की तरह हैं जो आज के तापमान का अनुमान लगाने के लिए केवल कल के तापमान को देखता है। वे सरल पैटर्न के लिए अच्छे हैं लेकिन जब मौसम अचानक बदल जाता है या जब कोई अजीब आउटलायर (जैसे अचानक हीटवेव) आता है, तो वे भ्रमित हो जाते हैं। वे प्रत्येक सड़क को अलग-थलग मानते हैं, यह नजरअंदाज करते हुए कि हवा एक सड़क से दूसरी सड़क तक प्रदूषण ले जाती है।
डीप लर्निंग मॉडल (जैसे LSTM या ट्रांसफॉर्मर): ये उस व्यक्ति की तरह हैं जिसके पास फोटोग्राफिक मेमोरी है जो जटिल पैटर्न को याद रख सकता है। हालाँकि, वे "अति-उत्साही" हो सकते हैं। यदि वे किसी एक दिन देखते हैं जहाँ किसी दुर्घटना के कारण प्रदूषण बढ़ गया था, तो वे डर सकते हैं और अगले महीने भी स्पाइक की भविष्यवाणी कर सकते हैं, भले ही ऐसा होने वाला न हो। वे कभी-कभी विभिन्न पड़ोसों के बीच संबंध जोड़ने में भी संघर्ष करते हैं।

2. समाधान: GCSVR की "टीम"

लेखकों ने एक हाइब्रिड मॉडल बनाया है जो दो दुनियाओं के सर्वश्रेष्ठ गुणों को जोड़ता है। GCSVR को दो-सदस्यीय जासूसी टीम के रूप में समझें जो मिलकर काम कर रही है:

जासूस A (ग्राफ कनवल्शनल नेटवर्क): यह जासूस एक मैप एक्सपर्ट है। वे शहर के एक मानचित्र को देखते हैं जहाँ वायु गुणवत्ता स्टेशन एक बिंदु की तरह हैं। वे उन बिंदुओं के बीच रेखाएं खींचते हैं जो एक-दूसरे के करीब हैं। जब वे एक स्टेशन पर प्रदूषण बढ़ते देखते हैं, तो वे तुरंत अपने पड़ोसियों की जांच करते हैं। वे समझते हैं कि प्रदूषण एक जगह नहीं रुकता; यह यात्रा करता है। मॉडल का यह हिस्सा "स्थानिक" (spatial) संबंधों को सीखता है—कि शहर के एक हिस्से की हवा दूसरे हिस्से की हवा को कैसे प्रभावित करती है।
जासूस B (सपोर्ट वेक्टर रिग्रेशन): यह जासूस एक पैटर्न एनालिस्ट है जो बहुत शांत और संशयवादी है। वे प्रदूषण के डेटा के इतिहास को देखते हैं। यदि प्रदूषण में कोई पागलपन भरा, एक बार का उछाल (आउटलायर) आता है, तो यह जासूस कहता है, "यह शायद एक इत्तेफाक था; चलो घबराते नहीं हैं।" वे एक विशेष नियम (जिसे $\epsilon$ -इन्सेंसिटिव लॉस कहा जाता है) का उपयोग करते हैं जो छोटे, शोर वाले एरर को नजरअंदाज करता है। यह उन्हें उन अजीब डेटा स्पाइक्स के खिलाफ बहुत मजबूत बनाता है जो आमतौर पर अन्य मॉडलों को भ्रमित कर देते हैं।

वे मिलकर कैसे काम करते हैं:
जासूस A मैप डेटा लेता है और कहता है, "हे, स्टेशन X में उच्च प्रदूषण दिख रहा है, और इसके पड़ोसी भी ऐसा ही देख रहे हैं।" वे इस "स्थानिक संदर्भ" (spatial context) को जासूस B को सौंपते हैं। जासूस B फिर कहता है, "ठीक है, इस पड़ोस के संदर्भ और हाल के इतिहास को देखते हुए, कल के लिए मेरा सबसे अच्छा अनुमान यह है।"

3. टेस्ट ड्राइव: दिल्ली और मुंबई

लेखकों ने इस टीम का परीक्षण दो अलग-अलग भारतीय शहरों के वास्तविक डेटा पर किया:

दिल्ली: एक स्थलमान (landlocked) शहर जो गंभीर सर्दियों के प्रदूषण स्पाइक्स (अक्सर फसल जलाने और ठंडी हवा में धुआं फंसने के कारण) के लिए जाना जाता है। यह एक "हार्ड मोड" टेस्ट है जिसमें बहुत अधिक चरम आउटलायर्स हैं।
मुंबई: एक तटीय शहर जहाँ समुद्री हवा प्रदूषण को बिखेरने में मदद करती है, लेकिन इसमें अपने स्वयं के जटिल पैटर्न भी हैं।

उन्होंने इस नई टीम की तुलना नौ अन्य प्रसिद्ध पूर्वानुमान मॉडलों (जिनमें "फोटोग्राफिक मेमोरी" वाले और "सरल पैटर्न" वाले दोनों शामिल हैं) से की।

परिणाम:

सटीकता: GCSVR टीम लगातार विजेता रही। उन्होंने प्रदूषण के स्तर की भविष्यवाणी करने में सबसे कम गलतियाँ कीं, चाहे वे 30 दिन, 60 दिन या 90 दिन आगे देख रहे हों।
स्थिरता: जबकि अन्य मॉडल अप्रत्याशित रूप से प्रदूषण बढ़ने पर (जैसे दिल्ली की सर्दियों में) अस्थिर हो जाते या बहुत गलत हो जाते, GCSVR शांत और सटीक बना रहा।
"सेफ्टी नेट" (कॉन्फ़ॉर्मल प्रेडिक्शन): लेखकों ने एक अंतिम फीचर जोड़ा: एक "सेफ्टी नेट"। केवल एक संख्या देने के बजाय (जैसे "प्रदूषण 100 होगा"), मॉडल एक रेंज देता है (जैसे "यह संभवतः 90 और 110 के बीच होगा")। यदि मौसम अराजक है, तो रेंज सुरक्षित रहने के लिए चौड़ी हो जाती है; यदि चीजें स्थिर हैं, तो रेंज संकरी हो जाती है। यह अधिकारियों को यह समझने में मदद करता है कि वे भविष्यवाणी पर कितना भरोसा कर सकते हैं।

4. यह क्यों मायने रखता है

पेपर का दावा है कि यह विधि बेहतर है क्योंकि यह केवल नंबरों को नहीं देखती है; यह शहर की ज्यामिति (स्टेशन एक-दूसरे से कैसे संबंधित हैं) को समझती है और अजीब डेटा के खिलाफ मजबूत है।

सरल शब्दों में:

पुराने मॉडल एक कार की गति को देखकर ट्रैफिक की भविष्यवाणी करने की कोशिश करने जैसे हैं।
GCSVR एक ट्रैफिक कंट्रोलर होने जैसा है जो पूरे मैप को देखता है, जानता है कि कारें एक-दूसरे को कैसे प्रभावित करती हैं, और एक कार के अचानक मुड़ने से विचलित नहीं होता।

लेखक निष्कर्ष निकालते हैं कि यह टूल दिल्ली और मुंबई जैसे शहरों के अधिकारियों को खराब हवा के बारे में अधिक विश्वसनीय चेतावनी प्राप्त करने में मदद कर सकता है, जिससे वे रैंडम डेटा स्पाइक्स से भ्रमित हुए बिना सार्वजनिक स्वास्थ्य की रक्षा कर सकते हैं। उन्होंने अपना कोड और डेटा भी उपलब्ध कराया है ताकि अन्य लोग अपने शहरों के लिए इस "सुपर-स्मार्ट फोरकास्टर" का उपयोग कर सकें।

तकनीकी सारांश: शहरी वायु प्रदूषण के सुदृढ़ स्थानिक-कालिक पूर्वानुमान हेतु ग्राफ कनवल्शनल सपोर्ट वेक्टर रिग्रेशन

समस्या विवरण
शहरी वायु गुणवत्ता का पूर्वानुमान लगाना महत्वपूर्ण चुनौतियों का सामना करता है क्योंकि प्रदूषक सांद्रता की प्रकृति गैर-रैखिक (nonlinear), गैर-स्थिर (non-stationary) और स्थानिक-कालिक रूप से निर्भर (spatiotemporally dependent) होती है। ये गतिकी अक्सर यातायात की भीड़, औद्योगिक उत्सर्जन और मौसमी मौसम संबंधी परिवर्तनशीलता के कारण उत्पन्न होने वाले असामान्य अवलोकनों (anomalous observations) से बाधित होती है। पारंपरिक सांख्यिकीय मॉडल (जैसे, ARIMA, STARMA) जटिल गैर-रैखिकता और स्थानिक निर्भरता को पकड़ने में विफल रहते हैं, जबकि मानक डीप लर्निंग दृष्टिकोण (जैसे, LSTM, Transformer) आउटलेर्स (outliers) के प्रति सुदृढ़ता की कमी रखते हैं और स्वाभाविक रूप से कैलिब्रेटेड संभाव्य पूर्वानुमान प्रदान नहीं करते हैं। यह अध्ययन एक ऐसे ढांचे की आवश्यकता को संबोधित करता है जो उच्च प्रदूषण परिवर्तनशीलता और आउटलेयर-प्रवण डेटा वाले वातावरण में सुदृढ़ स्थानिक-कालिक पूर्वानुमान देने में सक्षम हो, विशेष रूप से दिल्ली और मुंबई के भारतीय शहरी संदर्भों में।

कार्यप्रणाली
लेखक एक ग्राफ कनवल्शनल सपोर्ट वेक्टर रिग्रेशन (GCSVR) ढांचे का प्रस्ताव करते हैं, जो स्थानिक ग्राफ लर्निंग को सुदृढ़ टेम्पोरल रिग्रेशन के साथ एकीकृत करता है। कार्यप्रणाली में दो प्राथमिक मॉड्यूल शामिल हैं:

स्थानिक मॉड्यूल (ग्राफ कनवल्शनल नेटवर्क):
- निगरानी केंद्रों को एक अनडिरेक्टेड ग्राफ $G=(V, E)$ के नोड्स के रूप में मॉडल किया गया है, जहाँ किनारे (edges) स्थानिक संबंधों का प्रतिनिधित्व करते हैं।
- एडजेसेंसी मैट्रिक्स (adjacency matrix) का निर्माण स्टेशन निर्देशांकों के भारित हेवर्सिन (Haversine) दूरियों का उपयोग करके किया गया है, जिसे एज वेट्स को परिभाषित करने के लिए एक गौसियन कर्नेल के माध्यम से एनकोड किया गया है।
- ग्राफ कनवल्शनल लेयर्स (GCN) पड़ोसी स्टेशनों से जानकारी एकत्र करके स्थानिक एम्बेडिंग (spatial embeddings) उत्पन्न करती हैं। कम्प्यूटेशनल दक्षता सुनिश्चित करने के लिए मॉडल चेबिशेव बहुपद फिल्टर (Chebyshev polynomial filters) के प्रथम-क्रम सन्निकटन का उपयोग करता है।
- यह मॉड्यूल ग्राफ-वर्धित नोड एम्बेडिंग्स उत्पन्न करता है जो अंतर-स्टेशन स्थानिक निर्भरता को कैप्चर करते हैं।
टेम्पोरल मॉड्यूल (सपोर्ट वेक्टर रिग्रेशन):
- प्रत्येक स्टेशन के लिए, इनपुट वेक्टर का निर्माण स्थानीय लैग्ड प्रदूषक टाइम सीरीज़ और GCN से प्राप्त ग्राफ-वर्धित स्थानिक एम्बेडिंग को संयोजित करके किया जाता है।
- प्रत्येक स्टेशन के लिए एक अलग SVR मॉडल को रेडियल बेसिस फंक्शन (RBF) कर्नेल का उपयोग करके प्रशिक्षित किया जाता है।
- महत्वपूर्ण रूप से, SVR एक $\epsilon$ -इन्सेंसिटिव लॉस फंक्शन का उपयोग करता है। यह लॉस फंक्शन एक निर्दिष्ट सहनशीलता मार्जिन ( $\epsilon$ ) के भीतर त्रुटियों को अनदेखा करता है, जिससे वर्ग-त्रुटि आधारित विधियों की तुलना में पृथक शोर या चरम अवलोकनों (आउटलेर्स) के प्रति संवेदनशीलता कम हो जाती है।
- मल्टी-स्टेप पूर्वानुमान को एक रिकर्सिव रणनीति के माध्यम से प्राप्त किया जाता है, जहाँ भविष्य के चरणों के लिए इनपुट अनुक्रम में अनुमानित मानों को जोड़ा जाता है।
अनिश्चितता परिमाणीकरण (Uncertainty Quantification):
- कैलिब्रेटेड प्रेडिक्शन इंटरवल उत्पन्न करने के लिए, ढांचा कॉन्फ़ॉर्मल प्रेडिक्शन (Conformal Prediction) को एकीकृत करता है।
- यह डिस्ट्रीब्यूशन-फ्री दृष्टिकोण एक रोलिंग कैलिब्रेशन विंडो के भीतर फोरकास्ट एरर के आधार पर कन्फॉर्मिटी स्कोर की गणना करता है, जिससे अनुकूलन योग्य प्रेडिक्शन इंटरवल प्राप्त होते हैं जो अस्थिर दौर के दौरान चौड़े और स्थिर दौर के दौरान संकीर्ण हो जाते हैं।

प्रायोगिक मूल्यांकन
ढांचे का मूल्यांकन निम्नलिखित स्थानों के दैनिक PM2.5 और PM10 रिकॉर्ड का उपयोग करके किया गया:

दिल्ली: 37 निगरानी केंद्र (2019–2023 प्रशिक्षण, 2023 परीक्षण)।
मुंबई: 18 निगरानी केंद्र (2021–2023 प्रशिक्षण, 2024 परीक्षण)।

प्रदर्शन का मूल्यांकन तीन पूर्वानुमान क्षितिजों (30, 60, और 90 दिन) में छह मेट्रिक्स के माध्यम से किया गया: मीन एब्सोल्यूट एरर (MAE), मीन एब्सोल्यूट स्केल्ड एरर (MASE), रूट मीन स्क्वेयर्ड एरर (RMSE), सिमेट्रिक मीन एब्सोल्यूट पर्सेंटेज एरर (SMAPE), पिनबॉल लॉस, और कंटीन्यूअस रैंक प्रोबेबिलिटी स्कोर (CRPS)। GCSVR मॉडल की तुलना नौ बेंचमार्क के विरुद्ध की गई, जिनमें टेम्पोरल मॉडल (ARIMA, LSTM, DeepAR, Transformer, N-BEATS) और स्थानिक-कालिक मॉडल (STARMA, GSTAR, GpGp, STGCN) शामिल हैं।

मुख्य परिणाम

भविधिक सटीकता (Predictive Accuracy): GCSVR ने दोनों शहरों के लिए अधिकांश मेट्रिक्स और क्षितिजों में लगातार सबसे कम या निकटतम निम्नतम त्रुटि दर प्राप्त की। इसने दिल्ली में उच्च-प्रदूषण एपिसोड और शीत ऋतु के दौरान विशेष सुदृढ़ता प्रदर्शित की, जहाँ आउटलेयर-प्रवण डेटा आमतौर पर अन्य मॉडलों के प्रदर्शन को कम कर देता है।
स्थिरता: डीप लर्निंग बेंचमार्क (जैसे, Transformer, DeepAR) के विपरीत, जो लंबे क्षितिज पर बढ़ती परिवर्तनशीलता और त्रुटि परिमाण दिखाते हैं, GCSVR ने 30 से 90 दिनों के पूर्वानुमान क्षितिज तक स्थिर प्रदर्शन बनाए रखा।
सांख्यिकीय महत्व: 'मल्टीपल कंपैरिजन विद द बेस्ट' (MCB) परीक्षणों ने पुष्टि की कि GCSVR का बेहतर प्रदर्शन दोनों शहरों में अधिकांश मूल्यांकन मेट्रिक्स के लिए सांख्यिकीय रूप से महत्वपूर्ण था, जिसमें मॉडल ने सबसे कम मीन रैंक प्राप्त किया।
अनिश्चितता अंशांकन (Uncertainty Calibration): कॉन्फ़ॉर्मल प्रेडिक्शन के एकीकरण ने सफलतापूर्वक अनुकूलन योग्य अंतराल उत्पन्न किए जो प्रदूषण के प्रकरणों की अस्थिरता को कैप्चर करते हैं, जिससे निर्णय लेने के लिए विश्वसनीय अनिश्चितता सीमाएं प्राप्त होती हैं।

महत्व और दावे
पेपर यह दावा करता है कि GCSVR ढांचा ग्राफ न्यूरल नेटवर्क के स्थानिक निर्भरता मॉडलिंग को सपोर्ट वेक्टर रिग्रेशन की आउटलेयर प्रतिरोध क्षमता के साथ प्रभावी ढंग से जोड़कर शहरी वायु प्रदूषण पूर्वानुमान के लिए एक सुदृढ़ समाधान प्रदान करता है। लेखक का तर्क है कि यह हाइब्रिड दृष्टिकोण विशेष रूप से उपयोगी है:

आउटलेर्स को संभालने के लिए: $\epsilon$ -इन्सेंसिटिव लॉस फंक्शन मॉडल को दिल्ली जैसे शहरों में सामान्य असामान्य प्रदूषण स्पाइक्स के बीच सटीकता बनाए रखने की अनुमति देता है।
सामान्यीकरण (Generalizability): ढांचे ने दो अलग-अलग जलवायु और भौगोलिक वातावरण (अंतर्देशीय दिल्ली और तटीय मुंबई) में सुसंगत प्रदर्शन प्रदर्शित किया।
नीति उपयोगिता: सटीक पॉइंट फोरकास्ट और कैलिब्रेटेड अनिश्चितता अंतराल दोनों प्रदान करके, यह मॉडल साक्ष्य-आधारित सार्वजनिक स्वास्थ्य योजना, प्रारंभिक चेतावनी प्रणाली और शमन रणनीतियों का समर्थन करता है।

अध्ययन निष्कर्ष निकालता है कि हालांकि वर्तमान ढांचा ऐतिहासिक सांद्रता और दूरी-आधारित ग्राफों पर निर्भर करता है, यह स्थानिक-कालिक जोखिम मूल्यांकन के लिए एक स्केलेबल, सांख्यिकीय रूप से सुदृढ़ उपकरण स्थापित करता है जिसे भविष्य के कार्यों में मौसम संबंधी और उत्सर्जन कोवेरिएट्स को शामिल करने के लिए विस्तारित किया जा सकता है।

1. समस्या: पुराने तरीके क्यों विफल होते हैं

2. समाधान: GCSVR की "टीम"

3. टेस्ट ड्राइव: दिल्ली और मुंबई

4. यह क्यों मायने रखता है

इसी तरह के और पेपर