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

वायु प्रदूषण आधुनिक जीवन में एक निरंतर उपस्थिति है, लेकिन एक विशिष्ट प्रकार का अदृश्य खतरा अक्सर तब तक ध्यान में नहीं आता जब तक कि वह नुकसान न पहुँचा दे: जमीनी स्तर का ओजोन। वायुमंडल में ऊँचाई पर स्थित सुरक्षात्मक परत के विपरीत, ज़मीन के पास का ओजोन अन्य प्रदूषकों के साथ सूर्य के प्रकाश की प्रतिक्रिया से उत्पन्न एक विषाक्त उपोत्पाद है। यह स्मॉग का एक प्राथमिक चालक है और स्वास्थ्य के लिए एक महत्वपूर्ण जोखिम है, विशेष रूप से बच्चों और बुजुर्गों के लिए, जो अक्सर श्वसन संबंधी समस्याओं को जन्म देता है और फसलों को नुकसान पहुँचाता है। चूंकि ओजोन के स्तर तेजी से और अप्रत्याशित रूप से बदल सकते हैं, इसलिए यह जानना अत्यंत महत्वपूर्ण है कि सांद्रता कब बढ़ेगी। यह लोगों को अपना दिन व्यवस्थित करने में मदद करता है, डॉक्टरों को मरीजों की संख्या में संभावित वृद्धि के लिए तैयार होने में सहायता करता है, और शहर नियोजकों को यातायात और उद्योग के प्रबंधन के लिए आवश्यक डेटा प्रदान करता है। हालाँकि, इन उछालों की भविष्यवाणी करना बेहद कठिन है क्योंकि डेटा अव्यवस्थित है, जो अचानक आने वाले बदलावों और छिपे हुए पैटर्न से भरा हुआ है जिसे मानक पूर्वानुमान उपकरण समझने में संघर्ष करते हैं।

पावरचाइना गुइझो इलेक्ट्रिक पावर इंजीनियरिंग कंपनी लिमिटेड और फुझो विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है। उन्होंने एक ऐसा प्रेडिक्शन मॉडल बनाया है जो विशेष रूप से ओजोन डेटा की अराजक प्रकृति को संभालने के लिए डिज़ाइन किया गया है। कच्चे, ऊबड़-खाबड़ नंबरों की सीधे भविष्यवाणी करने के बजाय, उनकी विधि डेटा को छोटे, सरल टुकड़ों में तोड़ती है, शोर (नॉइज़) को साफ करती है, और फिर अधिक सटीकता के साथ पूर्वानुमान को पुनर्गठित करती है। बीजिंग और शंघाई के दैनिक ओजोन रिकॉर्ड पर अपने सिस्टम का परीक्षण करते हुए, टीम ने पाया कि उनका नया मॉडल मौजूदा तरीकों की तुलना में काफी बेहतर प्रदर्शन करता है, जिससे यह स्पष्ट होता है कि खतरनाक वायु गुणवत्ता कब हो सकती है।

उनकी रणनीति का मूल हिस्सा चीजों को बेहतर ढंग से समझने के लिए उन्हें तोड़ने की प्रक्रिया में निहित है। कल्पना कीजिए कि आप एक भीड़ भरे कमरे में बातचीत सुनने की कोशिश कर रहे हैं; यदि आप पूरे शोर पर ध्यान केंद्रित करते हैं, तो आपको कुछ भी सुनाई नहीं देगा। लेकिन यदि आप विशिष्ट आवाजों को अलग करते हैं, तो संदेश स्पष्ट हो जाता है। शोधकर्ताओं ने ओजोन डेटा पर इसी तरह के तर्क को लागू किया। सबसे पहले, उन्होंने 'इम्प्रूव्ड कम्प्लीट एडेप्टिव नॉइज़ एनसेम्बल एम्पिरिकल मोड डिकंपोजिशन' नामक तकनीक का उपयोग करके ओजोन के स्तरों के जटिल और अस्थिर इतिहास को कई अलग-अलग परतों में विभाजित किया। इस प्रारंभिक चरण ने अनियमित उछालों को सुधारा, जिससे एक अराजक सिग्नल को नियमित और प्रबंधनीय पैटर्न के सेट में बदल दिया गया।

हालाँकि, शोधकर्ताओं ने देखा कि इस पहले विभाजन के बाद भी, डेटा की पहली परत बहुत जटिल बनी रही जिसे सटीक रूप से भविष्यवाणी करना कठिन था। यह अभी भी बहुत शोर भरी और अप्रत्याशित थी। इसे संबोधित करने के लिए, उन्होंने केवल उस एक कठिन परत पर दूसरा, अधिक केंद्रित विखंडन (डिकंपोजीशन) लागू किया, और उसे और अधिक विभाजित किया जब तक कि वह विश्लेषण के लिए सरल न हो जाए। इसके बाद, उन्होंने शेष परतों को उनकी जटिलता के आधार पर समूहित किया, और समान विशेषताओं वाली परतों को एक एकल, स्वच्छ स्ट्रीम में मिला दिया। इस दो-चरणीय दृष्टिकोण ने यह सुनिश्चित किया कि अंतिम भविष्यवाणी के लिए दिया जाने वाला डेटा का प्रत्येक हिस्सा जितना संभव हो उतना सरल और स्पष्ट हो।

एक बार जब डेटा को साफ और सरल कर दिया गया, तो टीम के सामने एक और चुनौती आई: यह तय करना कि अतीत के इतिहास के कौन से हिस्से भविष्य के लिए वास्तव में महत्वपूर्ण हैं। मशीन लर्निंग में, मॉडल को बहुत अधिक जानकारी देने से वह भ्रमित हो सकता है, जिसे "कर्स ऑफ डायमेंशनैलिटी" (आयामीता का अभिशाप) कहा जाता है। इससे बचने के लिए, शोधकर्ताओं ने दो-चरणीय फ़िल्टर का उपयोग किया। सबसे पहले, उन्होंने पहचाना कि किन पिछले दिनों का वर्तमान दिन के साथ सांख्यिकीय संबंध था। फिर, उन्होंने इन संबंधों को रैंक करने और केवल सबसे महत्वपूर्ण को चुनने के लिए एक कंप्यूटर एल्गोरिदम का उपयोग किया, और बाकी को हटा दिया। इसने सुनिश्चित किया कि मॉडल अप्रासंगिक विवरणों से अभिभूत न हो, जिससे वह ओजोन परिवर्तनों के वास्तविक चालकों पर ध्यान केंद्रित कर सके।

अंत में, साफ और फ़िल्टर किए गए डेटा को 'टेम्पोरल कन्वोल्यूशनल नेटवर्क' नामक एक विशेष प्रकार के आर्टिफिशियल इंटेलिजेंस में फीड किया गया। यह सिस्टम समय के साथ पीछे देखने के लिए डिज़ाइन किया गया है, जो उन दीर्घकालिक पैटर्न को पकड़ लेता है जिन्हें अन्य मॉडल मिस कर सकते हैं। अपने शक्तिशाली प्रेडिक्टर को अपनी कठोर डेटा तैयारी चरणों के साथ जोड़कर, शोधकर्ताओं ने उल्लेखनीय परिणाम प्राप्त किए। बीजिंग और शंघाई में किए गए परीक्षणों में, उनके मॉडल ने ऐसे त्रुटि स्तर दिखाए जो अन्य लोकप्रिय पूर्वानुमान विधियों की तुलना में काफी कम थे। विशेष रूप से, नए मॉडल ने बीजिंग में केवल 0.53509 का मीन एब्सोल्यूट एरर (औसत पूर्ण त्रुटि) और 0.73346 का रूट मीन स्क्वायर एरर प्राप्त किया, और शंघाई में भी इसी तरह की उच्च सटीकता दिखाई। ये संख्याएँ दर्शाती हैं कि मॉडल के अनुमान वास्तविक देखे गए मूल्यों के अत्यंत करीब थे, जो उन मानक मॉडलों के प्रदर्शन से कहीं आगे है जिन्होंने इस दो-चरणीय विखंडन और फीचर सिलेक्शन प्रक्रिया का उपयोग नहीं किया था।

यह अध्ययन प्रदर्शित करता है कि जटिल पर्यावरणीय घटनाओं की भविष्यवाणी करने की कुंजी केवल एक शक्तिशाली कंप्यूटर होने में नहीं है, बल्कि इस बात में है कि कंप्यूटर द्वारा देखे जाने से पहले डेटा को कैसे तैयार किया जाता है। शोर को व्यवस्थित रूप से हटाकर और केवल सबसे प्रासंगिक ऐतिहासिक पैटर्न पर ध्यान केंद्रित करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो मजबूत और सटीक दोनों है। जबकि वर्तमान मॉडल केवल ओजोन स्तरों पर केंद्रित है, लेखक सुझाव देते हैं कि भविष्य के कार्य में हवा की गति और तापमान जैसे अन्य कारकों को शामिल किया जा सकता है, जिससे यह प्रणाली और भी प्रभावी हो सकती है। फिलहाल, यह नया दृष्टिकोण वायु गुणवत्ता नियंत्रण के लिए एक मूल्यवान संदर्भ प्रदान करता है, जो हमारे द्वारा सांस ली जाने वाली हवा में अदृश्य खतरों का पूर्वानुमान लगाने का एक अधिक सहज और विश्वसनीय तरीका प्रदान करता है।