南非金伯利的空气污染物预测的混合长期短期记忆与后期可解释的人工智能
Israel Edem Agbehadji1, Ibidun Christiana Obagbuwa2
1Centre for Global Change, Sol Plaatje University, Kimberley, South Africa.
Frontiers in artificial intelligence
|August 20, 2025
概括
这项研究引入了一种用于预测空气污染的新型深度学习模型 (LSTM-GAM_xAI). 该模型准确地捕捉了复杂的污染物关系,为环境监测提供了更好的预测和解释性.
科学领域:
- 环境科学
- 数据科学
- 人工智能
背景情况:
- 空气污染表现出复杂的非线性动态,挑战传统的预测模型.
- 准确预测空气污染物度对于公共卫生和环境管理至关重要.
- 现有的深度学习模型通常缺乏对影响预测的因素的解释性.
研究的目的:
- 开发一个混合深度学习模型,整合长期短期记忆 (LSTM) 和通用添加模型 (GAM) 进行空气污染物时间序列分析.
- 使用后期可解释的人工智能 (xAI) 技术,特别是局部可解释模型不可知解释 (LIME) 来增强模型的解释性.
- 研究空气污染物关系的因果推断,解决标准深度学习方法的局限性.
主要方法:
- 提出了一个新的LSTM-GAM_xAI模型,将LSTM用于时间依赖性和GAM用于统计关系.
- 使用本地可解释模型不可知解释 (LIME) 技术来实现非线性函数的后期可解释性.
- 应用因果推断方法来分析空气污染物关系的影响.
- 使用来自南非监测站的气象和空气污染物数据,并为金伯利生成合成数据.
主要成果:
- 在不同时间段 (5天和10天) 预测多种空气污染物的过程中,LSTM-GAM_xAI模型表现出卓越的性能.
- 该模型实现了最低的平均平方误差 (MSE) 值,表明预测准确度很高.
- 虽然因果效应分析没有产生显著的p值,但模型的预测能力始终很高.
结论:
- 建议的LSTM-GAM_xAI模型有效地解决了空气污染物的非线性特征,提供了准确和可解释的预测.
- 整合LSTM,GAM和xAI为环境时间序列预测提供了一个强大的框架.
- 这种混合方法提高了对空气污染物动态的理解,并支持明智的环境政策决策.
