Evaluación de modelos de aprendizaje profundo de series temporales para la predicción de PM2.5 en diversos horizontes

Área de la Ciencia:

• Ciencias Ambientales; Ciencia de Datos; Química Atmosférica

Sus antecedentes:

• La contaminación del aire urbano, especialmente el PM2.5, representa un riesgo significativo para la salud pública en ciudades como Chengdu, China.; Los factores geográficos (topografía de la cuenca) y los altos niveles de emisiones intensifican las concentraciones de PM2.5, lo que requiere una predicción precisa.; Los métodos de predicción existentes pueden no capturar completamente la compleja dinámica del PM2.5 influenciada por diversos factores ambientales.

Objetivo del estudio:

• Evaluar el rendimiento de cuatro algoritmos de series temporales de aprendizaje profundo (LSTM, CNN-LSTM, Transformer, Transformer-LSTM) para la predicción de PM2.5.; Comparar configuraciones de modelos univariantes y multivariantes utilizando contaminantes auxiliares y datos meteorológicos.; Evaluar el impacto de la integridad de los datos y los horizontes de predicción en la precisión de la predicción.

Principales métodos:

• Se utilizaron dos años de datos diarios de PM2.5 de Chengdu, China (noviembre de 2022 - octubre de 2024).; Se compararon los modelos LSTM, CNN-LSTM, Transformer y Transformer-LSTM en entornos univariantes y multivariantes.; Se incorporaron contaminantes auxiliares (CO, NO2, O3, SO2) y factores meteorológicos (temperatura, presión, precipitación, velocidad del viento).; Se evaluaron los modelos en diferentes horizontes de predicción (mensual, estacional, semestral, anual) y escenarios de integridad de datos.

Principales resultados:

• Transformer-LSTM demostró un rendimiento superior, indicado por valores más altos de R-cuadrado y más bajos de MAE% y RMSE%.; La incorporación de factores meteorológicos a los modelos arrojó mejores resultados que el uso exclusivo de contaminantes auxiliares.; Los conjuntos de datos de entrenamiento estacional completos mejoraron significativamente el rendimiento del modelo.; Las brechas de más de tres meses en los datos de entrenamiento redujeron la fiabilidad de la predicción debido a la evolución de la dinámica del PM2.5.

Conclusiones:

• Los modelos de aprendizaje profundo, en particular Transformer-LSTM, son eficaces para la predicción de PM2.5 en entornos urbanos complejos.; La integración de datos meteorológicos es crucial para mejorar la precisión de la predicción de PM2.5.; Mantener la integridad de los datos estacionales y las predicciones oportunas son vitales para estrategias fiables de gestión de la calidad del aire.