連続時間大気汚染物質予測のためのマルチタイムスケールアテンションニューラル常微分方程式（MA-NODE）

科学分野:

• 環境科学;データサイエンス;人工知能

背景:

• 大気汚染は世界的な健康と環境に重大なリスクをもたらしており、介入のためには正確な予測が必要です。;LSTMのような従来の深層学習モデルは、大気汚染の連続的なダイナミクスと不規則なデータに対処するのに苦労しています。;ニューラル常微分方程式（Neural ODE）は連続時間モデリングを提供しますが、環境科学では十分に探求されていません。

研究 の 目的:

• 高度な大気汚染予測のための新しいマルチタイムスケールアテンションニューラルODE（MA-NODE）フレームワークを導入すること。;離散化誤差や不規則なデータサンプリングの処理を含む、離散時間モデルの限界に対処すること。;環境管理と公衆衛生のための堅牢なAIツールを開発すること。

主な方法:

• ニューラルODEによる連続時間モデリングを利用したMA-NODEフレームワークを開発しました。;潜在ダイナミクスのマルチタイムスケール分解（高速、中速、低速）を組み込みました。;特徴合成を強化するためのアテンションメカニズムを統合し、多様な大気質データセット（PM2.5、O3、NO2、SO2、CO、PM10）で評価しました。

主要な成果:

• 3ステップ先の大気質予測でR² > 0.9を達成し、既存の手法を上回りました。;平均絶対誤差（MAE）と二乗平均平方根誤差（RMSE）を10〜15％削減しました。;適切に調整された95％区間カバレッジ（≈0.90）を提供し、信頼性の高い不確実性推定を示しました。

結論:

• MA-NODEフレームワークは、連続時間モデリングを活用することにより、大気質予測において大きな進歩をもたらします。;このモデルは、複雑な環境データと不規則なサンプリングを効果的に処理し、従来の手法および最先端の手法を上回ります。;この研究は、環境科学におけるニューラルODEの応用を促進し、公衆衛生と持続可能性の取り組みを強化します。