Forecast-Aware Explainable Hybrid Stacking for Forecasting Across Heterogeneous Indian Cities

大気質は世界の多くの地域において生死に関わる問題ですが、都市の上空に漂う目に見えない汚染の雲を予測することは極めて困難です。問題なのは、空気は場所によって同じようには振る舞わないということです。人口密度の高い工業都市における霧がかった朝は、沿岸部の港町や湿度の高い南部のメトロポリスにおける霞んだ午後とは異なるルールに従います。さらに、汚染を引き起こす要因（交通パターン、天候の変化、車両や工場の膨大な量）は常に変化しており、刻一刻と変わる複雑なパズルを作り出しています。何十年もの間、科学者たちはこれらの状況を予測するためのコンピュータモデルを構築しようとしてきました。微小粒子状物質と呼ばれるPM2.5の危険なレベルが住民の上に沈着する前に、都市計画家や保健当局に警告を与えることを目的としています。これまでの課題は、精度と明快さのバランスを取ることでした。モデルが将来を完璧に予測できたとしても、それが誰も理解できない「ブラックボックス」であれば、信頼したり行動に移したりすることが難しくなるからです。

これは、インドのポンディシェリー大学の研究チームが取り組んでいる問題です。彼らは単に未来を推測するだけでなく、「どのようにその推測に至ったか」を説明できる新しいタイプの予測システムを構築することを目指しました。彼らの研究は、激しい冬の霧（スモッグ）で知られる広大な北部の首都デリー、活気に満ちた西部の港町ムンバイ、そして南部の沿岸都市チェンナイという、非常に異なる3つのインドの都市に焦点を当てています。2021年から2025年までの時間ごとのデータを研究することで、彼らは「説明可能なハイブリッド・スタッキング・フレームワーク」と呼ぶ手法を開発しました。簡単に言えば、彼らは一つのコンピュータプログラムだけに重労働を任せることはしませんでした。代わりに、それぞれ独自のデータの見方を持つさまざまなアルゴリズムによる「チーム」を作成し、それらの洞察を組み合わせる方法をマスター・アルゴリズムに教え込んだのです。結果として得られたシステムは、1時間先の空気質を高精度に予測するだけでなく、各特定の都市においてどの要因（前時間の汚染レベルや現在の湿度など）が予測を左右しているのかを正確に明らかにします。

研究者はまず、これら3都市の公式観測所から集められた大量の生データの収集から始めました。このデータには、微小粒子の濃度とともに、時刻、曜日、風速、湿度といった多くの詳細情報が含まれていました。この生の情報の流れを理解するために、彼らはまず、数字の中に隠されたパターンを見分けるようにコンピュータを訓練する必要がありました。彼らは、都市のリズムを捉えるための新しい変数、すなわち「特徴量（フィーチャー）」を作成しました。季節がいつであるかを伝える特徴量、過去数時間にわたって汚染がどのように振る舞っていたかを追跡する特徴量、そして過去数日間の平均的な汚染量を計算する特徴量などを追加しました。さらには、天候と汚染がどのように相互作用するかを見る特別な組み合わせも作成しました。このプロセスにより数百もの潜在的な手がかりが生成されましたが、その多くは重複していたり冗長であったりしました。

最も有用な手がかりを選別するため、チームは厳格な選択プロセスを採用しました。どの特徴量が重要かを判断するために、ただ一つの手法に頼るのではなく、4つの異なる統計的アプローチを用いてランク付けを行いました。ある特徴が汚染に対してどれほど強い統計的関連を持っているか、樹木ベースのコンピュータモデルがいかに有用だと判断したか、ある特徴を取り除いた場合にどれほどの精度低下が生じるか、そしてどの特徴が最終決定に最も寄与したかを確認しました。これら4つの手法の結果を組み合わせることで、彼らは「コンセンサス（合意）」に達しました。これにより、単一の数学的手法の癖に偏ることなく、最終的な特徴量のリストを確定させることができました。デリーについては主要な173個の特徴量に、ムンバイでは159個に、チェンナイでは178個へと絞り込みました。このステップは、ノイズを取り除き、それぞれの場所に真に関連する信号だけを残すために不可欠でした。

最良の特徴量を選択した後、研究者は予測エンジンを構築しました。一部のパターンは見逃してしまう可能性のある単一のモデルを使用するのではなく、彼らは3種類の異なる機械学習モデル（ランダムフォレスト、エクストラツリーズ、XGBoost）をデータに基づいてトレーニングしました。これら3つのモデルを、異なる専門家と考えてみてください。一つはある程度の長期的な傾向を見つけることに優れ、もう一つは急激なスパイク（上昇）を捉えることに長け、三つ目は変数間の複雑な相互作用を理解することに長けているかもしれません。それぞれの専門家が次の1時間の空気質について独自の予測を行います。ただし、システムがトレーニング中に見ていないデータを使用してしまうのを防ぐため、研究者は、各専門家がトレーニング時に遭遇していないデータに対してテストされるような慎細なテクニックを用いました。

最後のステップは、これらの専門家を集結させることでした。CatBoostと呼ばれる第4のモデルが、チームリーダーまたは「メタ学習器」としての役割を果たしました。その仕事は、3人の専門家の予測を聞き、それらをいかに組み合わせてより優れた予測を行うかを学ぶことです。このリーダーは、時には最初の専門家が正解であり、時には二番目の専門家が正解であり、また時には3人全員のブレンドこそが最善の答えであることを学びました。この「スタッキング」のアプローチにより、システムは単独のモデルができるよりもはるかに幅広い範囲のパターンを捉えることが可能になりました。研究者は、モデルがこれまで見たことのない2024年末から2025年のデータを用いてシステムをテストし、予測能力が真実であることを確認しました。

結果は驚くべきものでした。新システムは、単純な推測や個別の専門家モデルの両方を大幅に上回りました。デリーの場合、システムは空気質の変動の93.83%を説明でき、平均誤差は約30マイクログラム毎立方メートルでした。ムンバイでは、変動の88.79%を説明し、誤差は約11マイクログラムでした。最も劇的な改善が見られたのは、予報が難しいことで知られるチェンナイでした。最高の単一モデルでも変動の約58%しか説明できなかったのに対し、この新しい結合システムは76.96%の説明力を示し、エラーを22マイクログラム以上からわずか16.7へと減少させたのです。これは、異なる学習戦略を組み合わせることで、ワンサイズ・フィット・オール（万能型）のアプローチよりも、各都市のユニークかつ複雑なダイナミクスをはるかにうまく扱うことができるということを証明しました。

精度の高さと同じくらい重要なのが、システムの透明性でした。研究者がSHAP（Shapley Additive Explanations：シャプレー値による加法的な説明）と呼ばれる手法を使用したおかげで、「ブラックボックス」を開け、モデルが何を考えているのかを正確に把握することができました。デリーに関しては、総汚染負荷と大きな粒子の濃度が予測の最大の推進力であることが示されました。ムンバイにおいては、現在の大きな粒子のレベルとその1時間前の状態が最も重要な要素でした。チェンナイでは、直近の過去の空気質指数と総汚染負荷に大きく依存していました。このレベルの詳細さは意思決定者にとって極めて重要です。つまり、もし市の職員が高い汚染の予測を目にした場合、その説明を見て、原因が突然の交通量の増加なのか、風の変化なのか、あるいは産業排出物の蓄積によるものなのかを知ることができるのです。

本研究は、あらゆる都市に適用できる唯一の「ベスト」なモデルなどは存在しないことも浮き彫りにしました。デリーで最適だったアルゴリズムはムンバイでは最適ではなく、チェンナイにおいても同様でした。この発見は、大気汚染が局地的な現象であり、その土地固有の地理、気候、および人間活動と深く結びついているという考えを裏付けています。ある都市で機能するモデルをそのまま他の都市へコピー＆ペーストすることはできません。それは適応されなければならないのです。研究者のフレームワークが成功したのは、予測を構築するための一貫した厳格な手法を維持しながら、各都市のユニークな規則を学習できる柔軟性を備えていたからです。

有望な結果が出ている一方で、研究者たちは自らの研究の限界についても注意深く述べています。このシステムは、特定の5年間における3つの都市のみでテストされています。そこで良好な成績を収めたとはいえ、これがインド全土や世界中のすべての都市で機能することはまだ証明されていません。使用されたデータは政府の公的な監視装置からのものであり、信頼性は高いものの、衛星画像やリアルタイムの交通データなどの他の潜在的な情報源は組み込まれていません。著者らは、今後の課題として、このシステムが本当に普遍的になり得るかどうかを確認するために、異なる気候や異なる種類のデータを用いた検証が必要であると提案しています。また、システムは高精度に汚染レベルを予測できるものの、それはあくまで予測のためのツールであり、汚染イベントの具体的な発生源を特定するためのものではないことも強調しています。

究材として、この研究は私たちが吸う空気を管理する方法についての新たな青写真を提供しています。それは、世界の空気に対する単一の完璧な公式を探そうとする古い概念を超えたものです。むしろ、問題の複雑さを受け入れ、多様なデジタル専門家のチームを用いることで、各都市特有の課題を乗り越えようとしています。高度な精度と明確な説明を組み合わせることで、このシステムは強力であるだけでなく、信頼できるツールとなります。適切なアプローチがあれば、私たちは空気質の未来を見通すだけでなく、それを形作る力をも理解することができるのだということを、この研究は示しています。これにより、街の人々がスモッグに襲われる前に、都市を守るために必要な知識を得ることができるようになるのです。