南アフリカのキンバリーで,大気汚染物質の予測のための因果推論を備えた,汎用添加モデルとポストホック説明可能な人工知能のハイブリッド長期短期記憶
Israel Edem Agbehadji1, Ibidun Christiana Obagbuwa2
1Centre for Global Change, Sol Plaatje University, Kimberley, South Africa.
Frontiers in artificial intelligence
|August 20, 2025
まとめ
この研究は,大気汚染を予測するための新しいディープラーニングモデル (LSTM-GAM_xAI) を導入しています. このモデルは複雑な汚染物質の関係を正確に把握し,環境モニタリングの予測と解釈を向上させています.
科学分野:
- 環境科学
- データサイエンス
- 人工知能
背景:
- 空気汚染は複雑な非線形動態で 伝統的な予測モデルに 挑戦しています
- 大気汚染物質の濃度の正確な予測は,公衆衛生と環境管理にとって極めて重要です.
- 既存のディープラーニングモデルは,予測に影響を与える要因に関して,しばしば解釈性が欠けている.
研究 の 目的:
- 空気汚染物質のタイムシリーズ分析のための長期短期記憶 (LSTM) と汎用添加モデル (GAM) を統合したハイブリッドのディープラーニングモデルを開発する.
- ポストホックで説明可能な人工知能 (xAI) 技術,特にローカル・インタプリタブル・モデル・アグノスティック・エクスプロレーション (LIME) を使用してモデル解釈性を向上させる.
- 標準的なディープラーニングのアプローチの限界に対処し,大気汚染物質関係の因果的推論を調査する.
主な方法:
- 新しいLSTM-GAM_xAIモデルが提案され,一時的な依存関係のためのLSTMと統計的な関係のためのGAMを組み合わせた.
- ローカル・インタプリタブル・モデル・アグノスティック・エクスプリナーション (LIME) 技術は,非線形性のポスト・ホック・インタプリタビリティのために使用された.
- 大気汚染物質の関係性の影響を分析するために因果推論法が適用されました.
- 南アフリカのモニタリングステーションからの気象学と大気汚染物質のデータが使用され,キンバリーで合成データが生成されました.
主要な成果:
- LSTM-GAM_xAIモデルは,複数の大気汚染物質を異なる時間段階 (5日および10日) で予測する優れた性能を示しました.
- このモデルは最も低い平均二乗誤差 (MSE) を達成し,高い予測精度を示した.
- 原因効果分析ではp値が有意ではなかったが,モデルの予測力は一貫して高かった.
結論:
- 提案されたLSTM-GAM_xAIモデルは,空気汚染物質の非線形特性を効果的に取り上げ,正確で解釈可能な予測を提供します.
- LSTM,GAM,xAIの統合は,環境タイムシリーズ予測のための堅固な枠組みを提供します.
- このハイブリッドのアプローチは,大気汚染物質の動態の理解を高め,環境政策の意思決定を支援します.
