Nature Scientific Reports: Гибридная биоинспирированная модель для прогнозирования загрязнения городского воздуха с использованием глубокого обучения
Точное прогнозирование качества городского воздуха имеет жизненно важное значение для защиты здоровья населения и окружающей среды. К текущим проблемам в моделях прогнозирования качества воздуха относятся зашумленные и пропущенные данные, взаимодействие загрязняющих веществ, временные и пространственные вариации, внешние переменные, отсутствие обобщения и прогнозирование в реальном времени. Для преодоления этих проблем предлагается гибридная биоинспирированная модель для прогнозирования загрязнения городского воздуха с использованием глубокого обучения (AQP-SAPINN-HMRFO). Входные данные получены из набора данных Global Urban Air Quality Index. Данные предварительно обрабатываются с помощью неявной фильтрации объёмных поверхностей (Implicit Bulk Surface Filtering, IBSF) для нормализации данных и обработки пропущенных значений, что обеспечивает высокое качество входных данных. Для извлечения соответствующих признаков, таких как концентрации загрязняющих веществ, взаимодействие между ними и их прошлые концентрации, используется преобразование волновых пакетов с квадратичной фазой (Quadratic-Phase Wave Packet Transform, QPWPT). Прогнозирование качества воздуха осуществляется с помощью самоадаптивной нейронной сети, основанной на физических принципах (Self-Adaptive Physics-Informed Neural Network, SAPINN), которая прогнозирует концентрации пяти основных загрязняющих веществ в воздухе, таких как твёрдые частицы PM2.5, оксид углерода (CO), диоксид азота (NO2), озон (O3) и диоксид серы (SO2), а также метеорологических факторов, таких как температура, скорость ветра и влажность в различных местах. Для оптимизации весовых параметров SAPINN и повышения точности модели используется метод иерархической оптимизации поиска пищи скатами (Hierarchical Manta Ray Foraging Optimization, HMRFO). Модель AQP-SAPINN-HMRFO представляет собой комбинацию методов SAPINN и HMRFO. Эта модель способна эффективно обрабатывать взаимодействия и разрывы между загрязняющими веществами. Предложенный метод реализован на языке Python, и эксперименты показывают, что AQP-SAPINN-HMRFO достигает точности 99%. Это значительное улучшение по сравнению с существующими подходами, указывающее на его потенциал для применения в режиме реального времени в мониторинге качества воздуха в городах, управлении окружающей средой и стратегическом городском планировании.
