Hybrides Deep Learning mit aufmerksamkeitsbasierter Interpretierbarkeit für PM2.5-Prognosen in städtischen Umgebungen von Delhi

Zusammenfassung

CORTA (Correlation Optimized Ranked Transfer-Attention)-Net, ein hybrides Deep-Learning-Framework für kurzfristige PM₂.₅-Prognosen in Delhi. Das Modell kombiniert CorrXGBoost-Rank Feature-Auswahl, Transfer Learning mit Langzeit-Kurzzeitgedächtnisnetzwerken und Multi-Head Attention für zeitliche und feature-Level-Interpretation und nutzt Luftqualitäts-, meteorologische und satellitenbasierte Feuerzähldaten, um die PM_2.5-Prognose zu verbessern.

Zusammenfassung

Die kurzfristige PM_2.5-Prognose ist in Delhi eine Herausforderung, da die Feinstaubkonzentrationen von lokalen Emissionen, meteorologischen Schwankungen, saisonaler Stagnation und episodischer brandbedingter Verschmutzung beeinflusst werden. Diese Studie präsentiert CORTA-Net, ein hybrides Deep-Learning-Framework für die_{PM-2.5-Prognose} unter Verwendung von Multiquellen-Umweltdaten von 2012 bis 2024. Die Eingabedaten umfassen stündliche Luftqualitätsbeobachtungen von CPCB (Central Pollution Control Board) / DPCC (Delhi Pollution Control Committee) Überwachungsstationen, meteorologische Variablen vom India Meteorological Department (IMD) sowie satellitenbasierte Brandzählinformationen aus MODIS-Produkten (Moderate Resolution Imaging Spectroradiometer). Das vorgeschlagene Rahmenwerk wendet zunächst die Auswahl von CorrXGBoost-Rank-Merkmalen an, um redundante Prädiktoren zu reduzieren und wichtige Schadstoffe, meteorologische, zeitliche und brandbezogene Variablen zu erhalten. Die ausgewählten Features werden dann als überwachte Sliding-Window-Sequenzen angeordnet und mit einem transfer-learning-basierten LSTM-Encoder verarbeitet, gefolgt von einer Multi-Head-Aufmerksamkeitsschicht. Der Aufmerksamkeitsmechanismus ermöglicht eine Interpretation der PM_2,5-Prognose auf Feature- und Zeitstufenebene. CORTA-Net wurde mittels chronologischer Trainings-, Test- und Validierungspartitionen sowie Kreuzvalidierung bewertet. Im Vergleich zu Random Forest, XGBoost, LSTM und Attention-LSTM-Baselines reduzierte das vorgeschlagene Framework den Vorhersagefehler im evaluierten Delhi-Monitoring-Station-Setting. Die Neuheit von CORTA-Net liegt in der Kombination expliziter CorrXGBoost-Rank-Feature-Screening, auf Transfer-Learning-basierter temporaler Codierung, MODIS-Feueraktivitätsintegration und mehrköpfiger, aufmerksamkeitsbasierter Modell-Verhaltensanalyse in einer einzigen reproduzierbaren PM_{2.5-Prognosepipeline} . Praktisch kann das Rahmenwerk kurzfristige Stadtluftqualitätsprognosen in datenreichen Überwachungsumgebungen unterstützen, in denen Schadstoffaufzeichnungen, meteorologische Beobachtungen und Brandaktivitätsindikatoren verfügbar sind.

Einleitung

Feinstaub mit aerodynamischem Durchmesser ≤ 2,5 μm (PM_2,5) ist in Delhi ein wichtiges Luftqualitätsproblem, da es von lokalen Emissionen ^1,2,3, regionalem Transport 4, saisonaler Meteorologie⁵ und episodischen Biomasseverbrennungsereignissen⁶ beeinflusst wird. Während der Nachmonsun- und Winterperioden⁷ können niedrige Windgeschwindigkeit⁸, flache Grenzschichtbedingungen⁹ und Temperaturinversion die Schadstoffverteilung verringern und die Partikelansammlung erhöhen. Die Prognose des kurzfristigen PM_2.5 ist aufgrund des inhärenten nichtlinearen, saisonalen und abrupten hochkontaminierten Phänomens der Zeitreihe¹⁰ schwierig. Frühere Studien zur_{PM-2.5-Prognose} nutzten statistische Modelle, maschinelle Lernmodelle und rekurrente neuronale Netzmodelle¹¹. Statistische Methoden können nützlich sein, um Trends und Saisonalität von Daten¹² zu bestimmen, können aber möglicherweise nicht vollständig die nichtlinearen Wechselwirkungen zwischen Schadstoffen und Meteorologie¹³ berücksichtigen. Machine-Learning-Modelle wie Random Forests und XGBoost können verwendet werden, um nichtlineare Beziehungen zu modellieren¹⁴; allerdings haben sie typischerweise keine zeitliche Abhängigkeit, es sei denn, es werden verzögerte Merkmale entworfen. Langzeit-Kurzzeit-(LSTM-) neuronale Netzwerke sind in der Lage, sowohl zeitliche Abhängigkeit als auch nichtlineare Beziehungen zu modellieren¹⁵.

Langfristige Kurzzeitgedächtnisnetzwerke können zeitliche Muster¹⁶ modellieren, deren Leistung jedoch durch nichtstationäre Bedingungen und abrupte Verschmutzungsepisoden¹⁷ beeinflusst werden kann. Neuere aufmerksamkeitsbasierte und transformerbasierte Ansätze verbessern die temporale Repräsentation¹⁸, aber viele von ihnen verarbeiten alle Kandidatenvariablen direkt und bieten eine begrenzte Kontrolle über die Merkmalredundanz vor der Sequenzmodellierung ^19,20. Obwohl transformatorbasierte und hybride Deep-Learning-Modelle kürzlich PM_2.5 und AQI-Prognose²¹ verbessert haben, konzentrieren sich ihre Beiträge oft auf temporales Repräsentationslernen²², räumliche Graphenkonstruktion²³, Modellfusion²⁴ oder Optimierung. Viele dieser Modelle nutzen direkt den verfügbaren multivariaten Eingabesatz und legen die Hauptlernlast auf das Sequenzmodell²⁵. Dies kann die Eingaberedundanz erhöhen, die Interpretierbarkeit verringern und es erschweren zu erkennen, ob Verbesserungen durch zeitliche Modellierung, Merkmalsscreening, externe Umweltindikatoren oder aufmerksamkeitsbasierte Gewichtung entstehen. CORTA-Net ist daher als Workflow-Prognose-Framework positioniert und nicht als ein neues, eigenständiges neuronales Netzwerk^{auf Schicht 26}. Seine Unterscheidung liegt in der geordneten Integration von vier Stufen: CorrXGBoost-Rank Feature Screening vor der Sequenzmodellierung, Transfer-Learning-LSTM-Codierung für zeitliche Anpassung, MODIS-abgeleitete Feuerzähl-Einbeziehung für episodischen Einfluss auf Biomasseverbrennung und Multi-Head Attention für die Modell-Verhaltens-Interpretation auf Merkmals- und Zeitstufenebene. Dieses Design ermöglicht es dem Rahmen, sowohl die Prognosegenauigkeit als auch den Beitrag ausgewählter Schadstoff-, meteorologischen, zeitlichen und Brandaktivitätsvariablen unter derselben Delhi-Überwachungsstation-Einstellung²⁷ zu bewerten.

Jüngste Fortschritte in der Luftqualitätsprognose haben zunehmend hybride Deep-Learning-Modelle, Aufmerksamkeitsmechanismen, graphbasiertes Lernen²⁸ und Transformer-Architekturen verwendet, um nichtlineare zeitliche und räumliche Abhängigkeiten zu erfassen²⁹. Diese Ansätze haben die Prognoseleistung verbessert, indem sie längerreiche Abhängigkeiten lernen und adaptive Gewichtungen für Zeitschritte oder Eingabevariablen³⁰ zuweisen. Viele neuere Modelle basieren jedoch weiterhin auf großen Eingabemerkmalen, reduzieren redundante Prädiktoren vor der zeitlichen Modellierung nicht explizit oder schließen externe Brandaktivitätsindikatoren nicht ein, wenn episodische Biomasseverbrennungseffekte wichtig sind. CORTA-Net schließt diese Lücke, indem es Feature-Screening, Transfer-Learning-LSTM-Codierung, MODIS-abgeleitete Feuerzählintegration und Multi-Head Attention in einem einzigen Prognose-Workflow kombiniert.

Diese Studie präsentiert CORTA-Net als reproduzierbare hybride PM_{2.5-Prognosepipeline} und nicht als neue neuronale Netzwerkschicht. Das Framework kombiniert vier Stufen: CorrXGBoost-Rank-Feature-Auswahl, Transfer-Learning-basierte LSTM-Temporal Encoding, MODIS-abgeleitete Feuerzählintegration und Multi-Head aufmerksamkeitsbasierte Modell-Verhaltensanalyse. CorrXGBoost-Rank reduziert zunächst redundante Schadstoff- und meteorologische Variablen vor der Sequenzmodellierung. Die ausgewählten Features werden dann zu Sliding-Window-Sequenzen angeordnet und mit einem Transfer-Learning-LSTM-Encoder verarbeitet. MODIS-Feuerzählvariablen werden als externe Indikatoren für die regionale Feueraktivität einbezogen, und die Mehrkopf-Aufmerksamkeitsschicht wird verwendet, um zu untersuchen, welche aktuellen Zeitschritte und Eingabevariablen am stärksten zur Prognose beitragen. Das Framework eignet sich für Situationen, in denen kontinuierliche PM_{2.5-Beobachtungen} von mindestens einer Überwachungsstation verfügbar sind, vorzugsweise mit mehreren Jahren Stundendaten. Es profitiert auch von meteorologischen Beobachtungen und satellitenbasierten Feuerzählinformationen, wenn der regionale Einfluss des Biomasseverbrennens relevant ist. Daher ist CORTA-Net für datenreiche städtische Luftqualitätsprognosen gedacht und ist möglicherweise nicht für Orte mit spärlichen, unregelmäßigen oder kurzfristigen Überwachungsaufzeichnungen geeignet.

Delhi wurde als Untersuchungsregion ausgewählt, da dort während der Nachmonsun- und Winterperioden³¹ wiederkehrende hohe PM₂.₅-Werte verzeichnet werden. Die Stadt ist von Verkehr, industrieller Tätigkeit, Wohnraumemissionen, meteorologischer Stagnation und regionalen landwirtschaftlichen Abbrennungen betroffen. Für diese Studie wurden vier Überwachungsstationen verwendet: Dwarka Sektor 8, Anand Vihar, Mundka-DPCC und Sonia Vihar. Jede Station repräsentiert eine andere Art urbaner Mikroumgebung: Wohngebiet, Verkehrseinflussgebiet und Gebiet mit industriellen Einflüssen. Die Beobachtungen, die von jeder Überwachungsstation zwischen 2012 und 2024 gemacht wurden, sind in ergänzender Abbildung 1 dargestellt. Das Training des Modells erfolgte auf Daten von 2015 bis 2022, und Tests auf Daten aus dem Jahr 2023 sowohl für die Modellentwicklung als auch für die^{Modellvalidierung 32} , die auf den 2024 gesammelten Daten durchgeführt wurden. Die als Eingaben verwendeten Variablen umfassten PM_2,5, PM₁₀, NO, NO₂, NOx, CO, Benzol, Lufttemperatur, Windgeschwindigkeit, Sonnenstrahlung und Luftdruck und wurden anhand der am Standort³³ verfügbaren Variablen bestimmt. Die von MODIS gewonnenen Brandzähldaten wurden als externe Variable verwendet, die das Feueraktivitätsniveau in der Region repräsentiert. Tabelle 1 enthält eine Zusammenfassung der PM₂.₅-Konzentrationsstatistiken von jeder der vier Überwachungsstationen.

Datensatz	Stationsname	Mittel	STD	Min	25%	50%	75%	Max
1	Dwarka Sektor 8	98.24	79.12	7.52	38.65	70.83	133.47	588.15
2	Anand Vihar	115.87	89.42	8.91	49.28	84.36	152.89	574.92
3	Mundka-DPCC	113.62	91.05	4.21	43.58	86.74	158.42	682.31
4	Sonia Vihar	101.35	80.25	5.80	42.15	75.60	138.75	565.40

Tabelle 1: Zusammenfassende Statistiken der PM₂.₅-Konzentration an vier Überwachungsstationen in Delhi. Tabelle 1 zeigt durchschnittliche PM2,5-Werte (Feinpartikel), gemessen an vier Monitoren in Delhi. PM_2.5 besteht aus luftgetragenen Schadstoffen kleiner als 2,5 Mikrometer im Durchmesser und ist daher klein genug, um leicht tief in die Lunge eingeatmet zu werden, was verschiedene potenzielle Gesundheitsrisiken darstellt.

Protokoll

Methodik
Ein überwachtes Schiebefenstermodell wurde erstellt, um den zukünftigen PM_2,5-Wert zum Zeitpunkt t + 1 aus vorherigen stündlichen Beobachtungen vorherzusagen. Kandidaten-Eingabefensterlängen von 12, 24 und 48 Stunden-Zeitschritten wurden mittels Validierungsleistung bewertet, und die endgültige CORTA-Net-Konfiguration verwendete eine 24-stündige Eingabesequenz. Lineare Interpolation wurde verwendet, um fehlende Werte zu füllen; Ausreißer wurden mit der IQR-Methode entfernt; und alle Variablen wurden mittels Min-Max-Normalisierung skaliert, bevor verzögerte PM_2.5-Features erzeugt wurden. Das CorrXGBoost-Rank-Verfahren wurde dann für die Auswahl der Funktionen angewendet. Erstens Pearson-Korrelationsfilterung behaltener Variablen mit |r| ≥ 0,30. Zweitens: hochredundante Merkmalspaare mit paarweise Korrelation |corr(x_i, x_j)| ≥ 0,85 wurden gefiltert, um die Multikollinearität zu reduzieren. Drittens wurde ein XGBoost-Regressor auf den verbleibenden Variablen trainiert, und Prädiktoren mit XGBoost-Gewinn-basierten Wichtigkeitswerten ≥ 0,015 wurden für die endgültige Modelleingabe beibehalten. Die endgültige CORTA-Net-Architektur bestand aus gestapelten LSTM-Schichten für temporale Codierung, einer Mehrkopf-Aufmerksamkeitsschicht für Feature- und Zeitstufen-Gewichtung sowie dichten Regressionsschichten für die_{PM-2.5-Schätzung} . Das Modell wurde mit dem Adam-Optimierer trainiert, mit mittlerem quadratischem Fehlerverlust und frühem Stoppen. Die Modellbewertung wurde mittels RMSE und R² über Training, Validierung, Tests und 10-fache Cross-Validierungspartitionen durchgeführt. Tabelle 2 stellt die Datenvorverarbeitung und die Feature-Engineering Zusammenfassung dar.

Schritt	Verwendete Methode	Parameter / Schwellenwert	Zweck
Berechnung fehlender Werte	Prozentsatz fehlender Beobachtungen	Berichte variabel prozentual	Quantifiziert die Datenvollständigkeit
Kurz-Gap-Imputation	Lineare Interpolation	Lückenlänge ≤ 6 Stunden	Füllt kurze fehlende Intervalle aus
Ausreißererkennung	IQR-Methode	Q1 − 1,5 × IQR, Q3 + 1,5 × IQR	Entfernt ungültige Extremwerte
Normalisierung	Min-Max-Skalierung	Trainings-Set Min und Maximum	Standardisiert den Funktionsumfang
PM₂.₅ laggt	Verzögerte Variablen	lag₁, lag₂, lag₃	Erfasst zeitliche Persistenz
Laufende Statistiken	Gleitende Durchschnitte	3 Stunden, 6 Stunden, 12 Stunden, 24 Stunden	Erfasst kurzfristige Akkumulation
Feuerzahl-Merkmal	MODIS-FEUERZÄHLUNG	Gleichtags- / Vortagszählung	Repräsentiert den Einfluss des regionalen Feuers

Tabelle 2: Datenvorverarbeitung und Zusammenfassung der Feature-Engineering. In Tabelle 2 erfolgt die Datenverarbeitung auf zwei Arten: Erstens durch die Reinigung und Transformation der Rohdaten (Vorverarbeitung) und zweitens durch Feature Engineering zur Erstellung/Auswahl bzw. Änderung von Eigenschaften (Features). Als Einheit helfen diese beiden Prozesse, Rauschen zu eliminieren oder zu reduzieren; fehlende Werte zu handhaben; Verbesserung der Datenkonsistenz; und mehr prädiktive Modelle zu erstellen.

Die Normalisierungsparameter wurden nur aus dem Trainingssatz geschätzt und dann unverändert auf die Test- und Validierungssets angewendet, um Informationslecks zu vermeiden.

Mathematische Formulierung des CorrXGBoost-Rangs
Sei X = {x₁, x₂, ...,_{x n}} die Menge der Kandidaten-Eingabevariablen und y die Zielkonzentration PM₂.₅. Für jedes Merkmal x_i wurde der Pearson-Korrelationskoeffizient mit der Zielvariablen wie folgt berechnet:

(1)

wobei cov(x_i, y) die Kovarianz zwischen Merkmal x_i und Ziel y ist und σx_i sowie σy ihre Standardabweichungen sind. Beibehaltene Funktionen erfüllen: |r_i| ≥ τ_r , wobei τ_r = 0,30 in dieser Studie gilt.

Paarweise Korrelationen wurden unter allen erhaltenen features_x_i, x_j berechnet, und wenn |corr(x_i, x_j)| > = τ_Rot, wobei τ_Rot = 0,85 gilt, wird das Merkmal mit der niedrigeren absoluten Korrelation zum_{PM-Ziel von 2,5} aus dem Merkmalset gestrichen. Dieser Prozess reduziert Variablen aus dem Funktionssatz, die Multikollinearität haben. Anschließend wurde ein XGBoost-Regressormodell an die verbleibenden Features angepasst, und für jedes Feature wurden Feature-Importance Scores mit XGBoost Importance berechnet; Features, die den i_i ≥ τ_xgb bei τ_xgb = 0,015 entsprechen, wurden im endgültigen Feature-Set (S") behalten, definiert als S_final = S_corr ∪ S_xgb, d. h. der Feature-Set, der durch das Filtern von Features auf Redundanz in Bezug auf Korrelation und das Entfernen aller Features auf Basis der XGBoost-Variablen-Importance definiert wird. Der Gesamtansatz bei der Merkmalsauswahl lautet wie folgt: Berechnen Sie die Feature-Ziel-Paarson-Paarson-Korrelation, verwerfen Sie Merkmale mit |r_i|< 0,30, verwerfen Sie Merkmale mit Paaren mit paarweisen Korrelationen ≥ 0,85, passen Sie XGBoost an die verbleibenden Merkmale an, behalten Sie Merkmale mit dem XGBoost Importance Score ≥ 0,015, definieren Sie die endgültig gewünschten Merkmale S_final=S_Korr ∪ S_xgb, wobei S_corr die Features sind, die nach redundanter Korrelationsfilterung erhalten bleiben, und S_xgb die mit dem XGBoost Feature Importance Score ausgewählten Features. Der CorrXGBoost-Rank-Workflow ist daher: Berechnen Sie Feature-Target Pearson-Korrelation, entfernen Sie Features mit |r_i| < 0,30, entfernen Sie hochgradig redundante Merkmale mit paarweiser Korrelation ≥ 0,85, trainieren Sie XGBoost auf die verbleibenden Variablen, behalten Sie Variablen mit dem XGBoost-Wichtigkeitswert ≥ 0,015 und verwenden Sie die Vereinigung der korrelationsselektierten und XGBoost-ausgewählten Variablen als endgültiges Merkmalsset. Die in dieser Studie verwendeten Parameter sind τ_r = 0,30, τ_rot = 0,85 und τ_xgb = 0,015.

Datenquellen
Die Autoren integrierten drei große Datensätze für die Studie; Dies sind Daten zu Luftschadstoffen (PM_2,5, PM₁₀, NO₂, CO und SO₂), die die Autoren über CPCB (Central Pollution Control Board) / DPCC (Delhi Pollution Control Committee) zur Überwachung der Luftqualität, meteorologische Daten (Temperatur, Luftfeuchtigkeit, Windgeschwindigkeit/-richtung und Druck) vom indischen Meteorologischen Amt (IMD) sowie Satelliteninformationen zu aktiven Bränden von den MODIS Active Fire Products der NASA erhalten haben. Diese drei Datensätze decken den 12-Jahres-Zeitraum Januar 2012–Dezember 2023 ab und repräsentieren somit verschiedene Emissionsarten. Brandunfälle tragen zur Luftverschmutzung bei, wie in ergänzender Abbildung 2 dargestellt, die die FIRECOUNT-Trends von 2012 bis 2024 zeigt.

Langfristige Trends der Schadstoffe im Studienzeitraum
Abbildung 1 zeigt langfristige Trends der Schadstoffe über die Studienjahre (2012–2024). Die jährlichen Feuerzählungen und die durchschnittlichen PM₂.₅-Konzentrationen zwischen 2012 und 2024 weisen einen mäßig starken positiven Zusammenhang auf (r = 0,688), was darauf hindeutet, dass höhere Feueraktivität typischerweise mit höheren PM₂.₅-Konzentrationen zusammenhängt. Sowohl die gemessenen als auch die vorhergesagten PM₂.₅-Daten folgen einem ähnlichen Trend, was die Annahme stützt, dass die Verbrennung von Biomasse zur Partikelverschmutzung beiträgt. Obwohl es eine erhebliche zwischenjährliche Variabilität gibt, sind feuerbedingte Emissionen ein wichtiger Faktor bei der Bestimmung der PM₂.₅-Variabilität, was die Notwendigkeit eines regionalen Brandmanagements zur Verbesserung der Luftqualität unterstreicht. Die Autokorrelation des vorhergesagten PM_2,5 bei dreißig Verzögerungen, wie in ergänzender Abbildung 3 dargestellt, weist bei fast allen dreißig Verzögerungen eine beträchtliche positive Autokorrelation auf und bestätigt, dass PM_2,5 in Delhi eine starke zeitliche Abhängigkeit und mehrtägige Persistenz aufweist.

Abbildung 1: Langfristige PM₂.₅- und Brandzahlentrends von 2012 bis 2024. Abbildung 1 vergleicht die jährliche Variation der Feuerzählung mit beobachteten und vorhergesagten PM₂.₅-Konzentrationen. PM₂.₅ wird in μg/m³ angegeben. FIRECOUNT repräsentiert satellitenbasierte Feueraktivität von MODIS-Produkten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

STL-Dekomposition (saisonale und trendbezogene Zerlegung unter Verwendung von Loess)
STL oder Seasonal and Trend Decomposition mit Loess ist ein iterativer Algorithmus, der die Aufschlüsselung von Zeitreihendaten in drei additive Komponenten ermöglicht, wie in Abbildung 2 dargestellt: Trend (langfristiger Trend) (Abbildung 2A), (Abbildung 2D), (Abbildung 2G), (Abbildung 2J), saisonale (zyklische Perioden) (Abbildung 2B), (Abbildung 2E), (Abbildung 2H), (Abbildung 2K) und Rest (Rauschen/Residual) (Abbildung 2C), (Abbildung 2F), (Abbildung 2I), (Abbildung 2L). STL hat sich als erfolgreich im Umgang mit den komplexen nichtlinearen Eigenschaften von Umweltdaten (wie PM_2.5) erwiesen, bei denen viele andere analytische Techniken aufgrund variabler Amplituden im saisonalen Signal und durch das Vorhandensein von Ausreißern versagt haben. Die LOESS-Glättung ermöglicht eine genaue Trennung dieser Komponenten und erzeugt eine klarere Interpretation von Trends oder Mustern. Durch STL-Verarbeitung ist es möglich, die breiteren Aufwärtstrends von PM_2,5 von den kürzeren täglichen/saisonalen Zyklen und von den unregelmäßigen Residuen innerhalb dieser Zyklen zu trennen. Diese Trennung ermöglicht es, festzustellen, welche Emissionen PM_2,5 beeinflusst haben, im Gegensatz zu den meteorologischen Faktoren, die PM_2,5 beeinflusst haben. Die Ergebnisse dieser Trennung helfen bei der genauen Vorhersage zukünftiger_{PM-2,5-Emissionen} ; Bereitstellung von Daten für regulatorische Entscheidungen; und die Einhaltung der Standards für eine rigorose Deaggregation von Zeitreihendaten für Luftqualitätsstudien³⁴. Durchschnittliche tägliche_{PM-2,5-Konzentrationsmessungen} an Überwachungsstationen in Delhi von 2012 bis 2024 zeigen minimale Veränderungen des PM_2,5-Niveaus (d. h. keine signifikante Veränderung von 2022–24) insgesamt und äußerst begrenztes konsistentes Verhalten (oder Konsistenz der_PM-2,5-Werte zwischen den vier Überwachungsorten). Die PM_2,5-Niveaus in Dwarka Sektor 8 und Mundka-DPCC zeigen einen anhaltenden Abwärtstrend (d. h. weiter abnehmend), während Anand Vihar einen steigenden Trend zeigt (d. h. deutlich steigend) und Sonia Vihar einen leichten Aufwärtstrend (von einem sehr geringen Anstieg seit 2022). Darüber hinaus zeigten die Residuen der täglichen_{PM-2,5-Konzentrationen} für jede der vier Überwachungsstationen, dass die_{PM-2,5-Konzentrationen} stark von saisonalen (meteorologischen) Veränderungen beeinflusst wurden, die zu großen Schwankungen der durchschnittlichen täglichen_{PM-2,5-Konzentrationen} für einzelne Stationen führten. Die täglichen PM_{2,5-Konzentrationen} für die vier Überwachungsstationen in Delhi (2012–2024) sind in Abbildung 2 dargestellt.

Abbildung 2: STL-Dekomposition (Seasonal and Trend Decomposition Using Loess) Dekomposition der täglichen PM₂.₅-Konzentrationen an vier Messstationen in Delhi von 2022 bis 2024. Die Zeitreihe für jede Überwachungsstation ist in drei additive Komponenten unterteilt: Langzeittrend, saisonale Schwankung und Residuum (Rest). (A) Trendkomponente für Dwarka Sektor 8. (B) Saisonale Komponente für Dwarka Sektor 8. (C) Restbestandteil für Dwarka Sektor 8. (D) Trendkomponente für Anand Vihar. (E) Saisonale Komponente für Anand Vihar. (F) Restbestandteil für Anand Vihar. (G) Trendkomponente für Mundka-DPCC. (H) Saisonale Komponente für Mundka-DPCC. (I) Restbestandteil für Mundka-DPCC. (J) Trendkomponente für Sonia Vihar. (K) Saisonale Komponente für Sonia Vihar. (L) Restbestandteil für Sonia Vihar. STL, saisonale und trendbezogene Zerlegung mit Löss. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 2 zeigt die zeitlichen Zersetzungen der täglichen PM2,5-Konzentrationen an vier städtischen Überwachungsstandorten im Jahr 2022–2024 und zeigt Muster von langfristigen Rückgängen, allmählichen Zuwächsen und großen täglichen Veränderungen auf. Diese Unterschiede lassen sich größtenteils auf physikalische Auswirkungen des Wetters zurückführen, also Veränderungen in der Höhe der planetaren Grenzschicht (PBL), wie etwa die Tagesausdehnung, die die vertikale Streuung erhöht und die Konzentrationen senkt, sowie nächtliche Kontraktion, wodurch Schadstoffe nahe am Boden bleiben und nachts einen höheren Höhepunkt entstehen. Weitere meteorologische Einflüsse stammen aus lokalen menschlichen Aktivitätsemissionen im Zusammenhang mit ihren Volumenzeiten (morgendliche/abendliche Spitzenzeiten), Industrien und deren Wechselwirkungen mit: ortsspezifischen Faktoren wie lokaler Topographie, Windgeschwindigkeit, relative Luftfeuchtigkeit und Jahreszeit (d. h. größere Korrelation im Winter), die stationsspezifische Veränderungen und langfristigen Rückgänge verursachen, könnten durch regulatorische Emissionskontrollen beeinflusst worden sein. was insgesamt zu Abwärtstrends führt.

Korrelation zwischen den Merkmalen
Abbildung 3 zeigt die Verteilung aller Eingabemerkmale, die im CORTA-Net-Modell verwendet werden. In den Panels zeigen Schadstoffvariablen (PM₁₀ (Abbildung 3A), NO₂ (Abbildung 3B), CO (Abbildung 3C), SO₂ (Abbildung 3D)) rechtsverzerrte Verteilungen, die typisch für städtische Luftqualitätsdaten sind, während O₃ (Abbildung 3E) und Druck (Abbildung 3I) nahezu normale Muster³⁵ aufweisen. Die Temperatur (Abbildung 3F) zeigt eine klare bimodale saisonale Struktur, die Luftfeuchtigkeit (Abbildung 3G) folgt einer breiten, gleichmäßigen Verteilung, und Windgeschwindigkeit (Abbildung 3H) zeigt eine Lichtschwanzverteilung. Diese Muster heben das heterogene statistische Verhalten der Prädiktoren hervor und begründen die Notwendigkeit von Feature Engineering und Normalisierung vor dem Modelltraining.

Abbildung 3: Verteilung der im CORTA-Net-Modell verwendeten Eingabemerkmale, einschließlich Luftschadstoffkonzentrationen und meteorologischen Variablen. Die Verteilungen veranschaulichen die statistischen Eigenschaften der Prädiktoren vor der Vorverarbeitung und dem Modelltraining. (A) PM₁₀ Konzentration. (B) NO₂-Konzentration. (C) CO-Konzentration. (D) SO₂-Konzentration. (E) O₃ Konzentration. (F) Lufttemperatur. (G) Relative Luftfeuchtigkeit. (H) Windgeschwindigkeit. (I) Atmosphärischer Druck. Schadstoffvariablen, insbesondere PM₁₀, NO₂, CO und SO₂, weisen rechtsverzerrte Verteilungen auf, wie sie typisch für städtische Luftqualitätsdaten sind, während O₃ und Atmosphärendruck ungefähr Normalverteilungen zeigen. Die Temperatur zeigt ein bimodales saisonales Muster, die Luftfeuchtigkeit ist breit verteilt, und die Windgeschwindigkeit konzentriert sich auf niedrigere Werte mit einer leichten Verteilung. Diese heterogenen Feature-Distributionen unterstützen den Einsatz von Feature Engineering und Normalisierung vor der Modellentwicklung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 4 zeigt das auf Gewinn basierende Feature-Importance-Ranking von XGBoost nach der CorrXGBoost-Rank-Vorverarbeitung für PM₂.₅-Prognosen. Das aktuelle Merkmals-Wichtigkeitsdiagramm zeigt, dass der Vortag PM₂.₅ der höchstbewertete Prädiktor mit einem Wichtigkeitswert von 0,280 ist, gefolgt von PM₁₀ = 0,180, FIRECOUNT = 0,150, NO₂ = 0,120, CO = 0,080, Windgeschwindigkeit = 0,070, Temperatur = 0,040, Luftfeuchtigkeit = 0,030 und Jahrestag = 0,020. Die gestrichelte vertikale Linie stellt die tatsächliche XGBoost-Feature-Auswahlschwelle von 0,015 dar. Prädiktoren mit Wichtigkeitswerten höher oder gleich 0,015 wurden für den finalen CORTA-Net-Eingabesatz beibehalten, während Prädiktoren unterhalb dieser Schwelle, darunter SO₂ = 0,010, O₃ = 0,010, Druck = 0,005, Niederschlag = 0,005, Wochenende = 0,002 und Feiertag = 0,001, ausgeschlossen wurden. Diese Werte repräsentieren XGBoost-Gewinn-basierte Merkmals-Wichtigkeitswerte und sollten nicht als Pearson-Korrelationskoeffizienten oder kausale Effekte interpretiert werden.

Daher wurden nur die Merkmale, die einen Beitrag über dieser Schwelle erhielten, in das Modell einbezogen. XGBoost-Modelle verwenden ein Ensemble von Entscheidungsbäumen, die iterativ einen Baum erstellen, um eine Verlustfunktion zu minimieren, bekannt als Gradient Boosting. XGBoost berechnet die Bedeutung von Merkmalen anhand einer von drei Kennzahlen: Gewinn (wie stark die Aufteilung des Merkmals die Modellleistung verbessert), Gewicht (wie oft das Merkmal als Aufteilung für einen Baum gewählt wurde) oder Abdeckung (die Anzahl der Beobachtungen, die durch die Aufteilung beeinflusst werden). Das XGBoost-Modell basierte auf Daten zur Luftqualität (Schadstoffe, meteorologische Variablen) und konzentriert sich auf verzögertes PM_2,5 , um PM_2,5 autoregressiv vorherzusagen, was in PM_2,5-Modellen für Delhi üblich ist und hilft, die zeitliche Persistenz von PM_2,5 zu erfassen. Delhi_PM_2.5 ist ein bedeutender Faktor aufgrund der hohen Autokorrelationseigenschaften feiner Partikel, die ebenfalls auf eine Trägheit der Verschmutzung durch die konstanten Emissionsquellen hinweisen. Die Windgeschwindigkeit ist ein bedeutender Faktor, da sie den Mechanismus für die Verteilung der Schadstoffe bildet; während niedrige Winde im Winter, wenn Inversionen vorhanden sind, Schadstoffe ansammeln können. NO₂ korreliert mit PM_2.5 aufgrund des Verkehrs/der Emissionen, während der Jahrestag einen Hinweis auf den jährlichen Emissionszyklus der Schadstoffe ist (d. h. niedrigere Emissionen am Wochenende). In Delhi weist PM_2.5 aufgrund der stagnierenden Wintermeteorologie und der kontinuierlichen Emissionen von Fahrzeugen, Industrie und Biomasse²⁸ eine hohe Selbstbeständigkeit auf. Wind unterstützt die Verteilung von Aerosolen, aber schwacher Wind < 2 m/s trug durch Inversionen zu einer Zunahme der Ansammlung von PM_2,5 bei. Die Beziehung zwischen NO₂ und PM_2.5 ist ein Ergebnis ihres gemeinsamen Ursprungs (d. h. Verbrennung) und unterliegt zeitlichen Einflüssen (z. B. täglich vs. wöchentlich)³⁶. Die vier Hauptfaktoren, die 93 % oder mehr der AQI-Variation erklären, sind Schwankungen der Schadstoffkonzentrationen durch verzögerte_{PM-2,5-Ansammlung} (93%+) und niedrige Windgeschwindigkeiten, die die Emissionen einfangen, die Emissionen von NO₂/PM aus Fahrzeugen und der Industrie sowie tägliche Schwankungen im Verkehr³⁷. Darüber hinaus ist die Geografie Delhis ein beitragender Faktor für das Fortbestehen von Inversionen in der Region und verschärft somit auch die_{PM-2,5-Konzentrationen} . Hyperparameter-Tuning, Regularisierung und das Hinzufügen zusätzlicher Variablen (wie Temperatur) würden helfen, die Wahrscheinlichkeit von Überanpassungen zu verringern und die Gesamtmodellleistung zu verbessern. Die Umsetzung von operativen Strategien zur Reduzierung der PM-Emissionen sollte die Einführung täglicher Begrenzungen der PM-Emissionen, den Einsatz von Geräten mit Echtzeitüberwachung der Anwesenheit von PM und die Nutzung von Windenergie zur Verteilung von PM in den städtischen Grünflächen umfassen.

Abbildung 4: XGBoost gewinnbasiertes Feature-Importance Ranking nach CorrXGBoost-Rank Feature-Screening für PM₂.₅-Prognosen. Die Prädiktorbalken sind in absteigender Reihenfolge ihrer Bedeutung angeordnet. Die gestrichelte vertikale Linie stellt die tatsächliche XGBoost-Feature-Auswahlschwelle von 0,015 dar. Prädiktoren mit Werten ≥ 0,015 wurden für den finalen CORTA-Net-Eingabesatz beibehalten, während Prädiktoren unterhalb dieser Schwelle ausgeschlossen wurden. Das Ranking wird für das Feature-Screening und die Interpretation des Modellverhaltens verwendet und sollte nicht als kausale Attribution interpretiert werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

CORTA-net-Modellarchitektur
Abbildung 5 zeigt einen vorgeschlagenen PM 2.5-Vorhersagerahmen. Die ergänzenden Abbildungen 4 und 5 veranschaulichen die interne Anordnung der LSTM-Einheit und eine Darstellung des Multi-Head Attention-Blockdiagramms. Alle Datenquellen (z. B. Umgebungsbedingungen, meteorologische Beobachtungen, Brandaktivität sowie sowohl zeitliche als auch kontextuelle Aspekte der Daten) wurden vorbearbeitet, um sicherzustellen, dass sie zeitlich übereinstimmen, fehlende Daten (falls erforderlich) zugeordnet werden und sowohl der Entfernung als auch der Normalisierung von Ausreißern unterzogen wurden, bevor sie in einem der Modellbauprozesse eingesetzt werden. Die Architektur des Modells, Feature Engineering, Trainingskonfiguration, Datenkonfiguration, Transfer Learning, Evaluationsmetriken, Zukunftsprognosen und Implementierungsdetails sind in ergänzender Tabelle 1 dargestellt. Unter Verwendung des CorrXGBoost-Rank-Moduls wird der optimale Funktionssatz festgelegt, bevor eine Teilmenge davon in die LSTM-Architektur eingegeben wird, die durch die Integration von Multi-Head-Aufmerksamkeitsschichten verbessert wurde, um das Zeitreihenverhalten während der Modellierungsphase zu berücksichtigen. Sowohl die PM_2.5-Prognose als auch die PM_{2.5-Feature-Bedeutung} der Eingabemerkmale sowie mehrfache Aufmerksamkeitsgewichte als Aufmerksamkeitskarten wurden als Ausgaben bereitgestellt. Die interne LSTM-Einheitsstruktur und das Multi-Head-Aufmerksamkeitsblockdiagramm wurden als ergänzende Abbildungen 4 bzw. 5 aufgenommen, während Ergänzungstabelle 1 die Architekturparameter für jeden Schichttyp innerhalb dieser Architektur bereitstellt.

Abbildung 5: Gesamtarchitektur des CORTA-Net PM₂.₅ Prognosemodells. Ein Eingabevorhersageprozess umfasst Eingaben von Luftqualitätsindikatoren, Wetterindikatoren, Zeitindikatoren und MODIS (Moderate Resolution Imaging Spectroradiometer) Brandzählindikatoren. Für jeden dieser Schritte richtete der Algorithmus Zeitstempel aus, verwaltete fehlende Werte, filterte Ausreißer, normalisierte Daten und engineerte Features. Die finalen Prädiktoren wurden dann mit dem CorrXGBoost-Rank-Prozess ausgewählt. Anschließend wurden die ausgewählten Funktionen in Zeitsequenz-Schiebefenster platziert und durch einen LSTM-Encoder (Long Short-Term Memory) mittels Transfer Learning geleitet. Für jedes Merkmal und jeden Zeitpunkt wendet der Multi-Head-Aufmerksamkeitsmechanismus Gewichte an, bevor die kombinierte Ausgabe an die finale regressionsdichte Schicht gesendet wird, um die PM₂.₅-Vorhersage zu erzeugen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Ausbildung und Bewertung
Ein Schiebefenster-Ansatz wurde verwendet, um überwachte Lernsequenzen zu bilden. Das Training verwendete den Adam-Optimierer und den mittleren quadratischen Fehlerverlust (ergänzende Tabelle 2). Die Modellleistung wurde mittels RMSE und R² über Trainings-, Validierungs-, Test- und Kreuzvalidierungspartitionen bewertet. Die Architektur des Modells, das Feature Engineering, die Trainingskonfiguration, die Datenkonfiguration, das Transfer Learning, Evaluationsmetriken, Zukunftsprognosen und Implementierungsdetails sind in der ergänzenden Tabelle 1 dargestellt. Abbildung 6 stellt die Trainingsdiagnostik für das CORTA-Net PM₂.₅ Vorhersagemodell dar. In den Panels zeigt Abbildung 6A die Trainings- und Validierungsverlustkurven und zeigt eine fortschreitende Fehlerreduktion mit optimalem Stopp bei Epoche 106. Die Entwicklung der Generalisierungslücke während einer Bewertung einer Overfit-Analyse wird durch die Divergenz zwischen Validierungs- und Trainingsdaten in Abbildung 6B illustriert. Insbesondere zeigt er Perioden, in denen die Divergenz vordefinierte Grenzen überschreitet; diese Informationen liefern Hinweise darauf, dass das Lernverhalten und die Verlustreduktionsmuster die Vorteile des geplanten Lernratenabfalls (LR) in kritischen Epochen als Mittel zur Verbesserung der Konvergenzstabilität veranschaulichen, wie in Abbildung 6C dargestellt. Diese Zahlen geben zusammen eine Zusammenfassung der Lerndynamik, der Verallgemeinerungsfähigkeit und der empfohlenen Trainingskonfiguration des Modells.

Abbildung 6: Trainingsdiagnostik für das CORTA-Net PM₂.₅ Vorhersagemodell. (A) Trainings- und Validierungsverlustkurven zeigen eine fortschreitende Fehlerreduktion während des Modelltrainings, mit vorzeitigem Stopp ab Epoche 106 basierend auf der Validierungsleistung. (B) Verallgemeinerungslücke zwischen Training und Validierungsverlust über Epochen hinweg, was die Entwicklung der Modellverallgemeinerung und Perioden erhöhter Divergenz veranschaulicht, die auf eine potenzielle Überanpassung hinweisen. (C) Lernratenplan, der den Einfluss des geplanten Lernratenabfalls auf die Optimierung während des Trainings zeigt. (D) Zusammenfassung des Konvergenzverhaltens des Modells, Nachweis stabiler Optimierung und der endgültigen Trainingskonfiguration, die für das CORTA-Net-Modell ausgewählt wurde. Zusammen illustrieren diese Diagnosen die Dynamik des Modells, die Konvergenzeigenschaften und die Verallgemeinerungsleistung während des Trainings. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Ergebnisse

Ergebnisse zur Auswahl und Prognose von Merkmalen
Das CorrXGBoost-Rank-Verfahren wählte verzögerte PM₂.₅, Windgeschwindigkeit, Luftfeuchtigkeit, Temperatur, zeitliche Indikatoren und MODIS-abgeleitete Feuerzählung als signifikante Prädiktoren für die Luftqualität. Jede dieser Variablen berücksichtigt das Fortbestehen der Verschmutzung, die Verbreitung durch meteorologische Bedingungen, saisonale Unterschiede bei den Verschmutzungsniveaus und regionale Einflüsse durch Brände. Redundante Variablen wurden vor der Sequenzmodellierung entfernt, um unnötige Eingabedimensionalität zu reduzieren. CORTA-Net wurde mit mittlerem absolutem Fehler, Wurzelmittlerem Quadratfehler und Bestimmungskoeffizienten bewertet. Im Delhi-Tagesdatensatz erreichte das Modell RMSE = 3,19 und R² = 0,983. Im Daily Delhi Climate Training Partition erreichte das Modell RMSE = 4,98 und R² = 0,845. In der Ziel-Testset-Scatter-Analyse zeigten beobachtete und vorhergesagte PM₂.₅-Werte Pearson r = 0,942 und R² = 0,873. Diese Werte beziehen sich auf verschiedene Bewertungspartitionen und sollten nicht als austauschbare modellweite Ergebnisse behandelt werden.

Abbildung 7 dient nun als eine einheitliche konsolidierte visuelle Darstellung der CORTA-Net-Testleistung auf den Testdaten. Der Abschnitt über Zeitreihen zeigt, dass es eine ausgezeichnete Korrelation zwischen dem tatsächlichen und dem prognostizierten PM_2,5-Niveau im Testdatensatz während des gesamten Bewertungszeitraums gibt, einschließlich episodischer Hochverschmutzungsereignisse wie Diwali und Ernterückständen. Zur Unterstützung dessen zeigt das Streudiagramm, dass es eine starke lineare Korrelation zwischen dem tatsächlichen und dem prognostizierten Wert gibt (Pearsons r = 0,942, R² = 0,873), was auf ein extrem hohes Maß an prädiktiver Genauigkeit hinweist.

Leistungsprognose
Die Restdiagramme zeigen, dass die Fehler ungefähr normal um Null verteilt sind, mit nur wenigen isolierten Fehlern während extremer Verschmutzungsspitzen. Dies bestätigte stark die statistische Robustheit und das Fehlen von Verzerrungen in den CORTA-Net-Modellen. CORTA-Net zeigte im täglichen Delhi-Datensatz einen RMSE von 3,19 und einen^R2 von 0,983 sowie einen RMSE von 4,98 und einen^R2 von 0,844 im Daily Delhi Climate Train-Datensatz. Diese Messungen, zusammen mit den oben genannten Belegen, bestätigten, dass CORTA-Net sowohl allmähliche Trends als auch plötzliche Abweichungen bei_{PM-2,5-Niveaus} genau modellierte.

Die Genauigkeit der Vorhersagen der_{PM-2,5-Konzentrationen} wurde mit drei Methoden bewertet: einer zeitbasierten Bewertung der zeitvalidierten Genauigkeit der Modellvorhersagen für die_{PM-2,5-Konzentration} , einer zeitbasierten Korrelation der vorhergesagten und tatsächlichen_{PM-2,5-Konzentrationen} sowie einer Fehlerbewertung auf Basis statistischer Analyse. Die zeitliche Bewertung, bei der PM_2,5 und temporale PM_2,5 vorhergesagte Werte verglichen wurden (Abbildung 7A), zeigte den zeitlichen Zusammenhang der tatsächlich gemessenen PM_{2,5-Konzentrationen} im Vergleich zu den modellvorhergesagten PM_{2,5-Konzentrationen} und zeigt einige bedeutende PM_{2,5-Vorkommen} (z. B. das Diwali-Fest und die Stoppel-Brennphase), die in diesem Zeitraum auftraten. Die Korrelation zwischen modellvorhergesagten_{PM-2,5-Konzentrationen} im Vergleich zu den gemessenen_{PM-2,5-Konzentrationen} liefert Hinweise auf eine sehr hohe Korrelation (Pearson r = 0,942 und R2 = 0,873), mit einer sehr starken Übereinstimmung zwischen den vorhergesagten_{PM-2,5-Konzentrationen} und den tatsächlich gemessenen Konzentrationen, was darauf hindeutet, dass das PP-FRC-Modell ein genauer und zuverlässiger Prädiktor für_{PM-2,5-Konzentrationen} ist (Abbildung 7B). Die Kurtosisverteilung der Residuen (Abbildung 7C) zeigte über die Zeit kleine Fehler mit isolierten Tagen mit hohem Fehler, während die Residualverteilung ungefähr normal war (Abbildung 7D) und die mittleren und mittleren Restfehler nahe bei null lagen, was darauf hindeutet, dass die Vorhersagefehler des Modells unvoreingenommen und statistisch gut verhalten waren.

Abbildung 7: Prädiktive Leistung des CORTA-Net-Modells auf dem unabhängigen Testdatensatz. PM₂.₅-Konzentrationen werden in μg/m³ angegeben. (A) Zeitlicher Vergleich der beobachteten und vorhergesagten PM₂.₅-Konzentrationen, was eine enge Übereinstimmung zwischen gemessenen und modellvorhergesagten Werten zeigt, auch während großer Verschmutzungsepisoden. (B) Streudiagramm der vorhergesagten versus beobachteten PM₂.₅-Konzentrationen, das eine starke prädiktive Leistung zeigt (Pearson r = 0,942; R² = 0,873). (C) Zeitliche Verteilung der Residuen (Vorhersagefehler) über den Testzeitraum, die im Allgemeinen kleine Fehler mit einer begrenzten Anzahl von fehlerhohen Ereignissen anzeigen. (D) Verteilung der Residuen, die eine ungefähr Normalverteilung nahe Null zentriert zeigen, mit Mittelwert- und Medianresiduen nahe Null, was auf unverzerrte und gut verhaltene Vorhersagefehler hinweist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 7 zeigt die prädiktive Leistung von CORTA-Net auf dem Zieltestset. Das Zeitreihendiagramm zeigte die Übereinstimmung zwischen beobachteten und vorhergesagten PM₂.₅-Werten, einschließlich Perioden erhöhter Partikelkonzentration. Das Streudiagramm zeigte den Zusammenhang zwischen vorhergesagten und beobachteten_{PM-2,5-Werten} . Die Restdiagramme zeigten, dass die meisten Vorhersagefehler nahe null zentriert sind, mit größeren Abweichungen während hoher Verschmutzungsphasen.

Kreuzvalidierung
Zehnfache Kreuzvalidierung zeigte eine begrenzte Varianz über Faltungen hinweg und zeigte Robustheit unter nichtstationären atmosphärischen Bedingungen. Das Modell zeigte eine starke Prädiktionsfähigkeit. Die vorhergesagten PM₂.₅-Werte stimmen genau mit den beobachteten Werten überein. Die Residuen zeigten minimale Verzerrung und eine ungefähre Normalität. Abbildung 8 gab einen Überblick über die Leistung des Modells unter vielen Bedingungen und über die Zeit, wobei RMSE-, MAE- (mittlerer absoluter Fehler) und R2 (Bestimmungskoeffizient) in der 10-Wege-Kreuzvalidierung verwendet wurden. In den Panels Abbildung 8A und Abbildung 8B zeigten RMSE und MAE eine geringe Variabilität über alle Kreuzverifikations-Trainings-/Validierungslücken, was auf eine stabile prädiktive Genauigkeit hinweist. Abbildung 8C zeigt durchgehend^hohe R2-Werte (~0,92 für Training und ~0,89 für Validierung) über alle Kreuzvalidierungen hinweg, was darauf hinweist, dass das Modell eine hohe Erklärungskraft und eine sehr geringe Intra-Modell-Varianz über die verschiedenen Kreuzvalidierungen hinweg aufweist. Abbildung 8D zeigte, dass der Mittelwert über all diese Messgrößen hinweg eine geringe Verallgemeinerungslücke aufwies, was darauf hindeutet, dass das Modell unabhängig von der Teilung der Daten konstant gut abschnitt.

Abbildung 8: Faltweise Leistung des CORTA-Net-Modells unter Verwendung von 10-facher Kreuzvalidierung. Die Leistung wurde anhand des Wurzelmittler-Quadratfehlers (RMSE), des mittleren absoluten Fehlers (MAE) und des Bestimmungskoeffizienten (R²) bewertet. Fehlerbalken stellen die Standardabweichung zwischen Faltungen dar, wo anwendbar. (A) Faltweise RMSE-Werte für die Trainings- und Validierungsdatensätze, die einen konstant niedrigen Vorhersagefehler über alle Falten hinweg zeigen. (B) Fold-weise MAE-Werte für die Trainings- und Validierungsdatensätze, die eine stabile prädiktive Leistung mit minimaler Variation zwischen den Folds anzeigen. (C) Faltenweise ^R2-Werte für die Trainings- und Validierungsdatensätze, die eine konstant hohe Erklärungskraft über alle Kreuzvalidierungsfalten hinweg zeigen. (D) Mittlere Leistungsmetriken und Verallgemeinerungslücke zwischen Trainings- und Validierungsdatensätzen, was konsistente Modellleistung und gute Verallgemeinerung unabhängig von Datenpartitionierung zeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Aufmerksamkeitsbasierte Interpretierbarkeit
Multi-Head-Attention wurde verwendet, um zu untersuchen, welche aktuellen Zeitschritte und Eingabevariablen am stärksten zur PM_2,5-Prognose beigetragen haben. Einige Aufmerksamkeits-Fans betonten das Kurzzeitgedächtnis von Schadstoffen durch verzögerte_PM-2,5-Werte , während andere meteorologischen Variablen, die mit der Streuung zusammenhängen, wie Windgeschwindigkeit und Luftfeuchtigkeit, mehr Gewicht beigemessen. Auch bei Verschmutzungsepisoden, die mit regionalem Einfluss der Biomasseverbrennung übereinstimmen, wurden die Brandanzahl stärker berücksichtigt. Diese Aufmerksamkeitskarten sollten als Indikatoren für das Verhalten von Modellen und nicht als kausale Erklärungen interpretiert werden. Die Ergebnisse deuteten darauf hin, dass das Modell sowohl die jüngere Vergangenheit der Schadstoffe als auch Umweltkovariaten bei der Erstellung von Prognosen verwendet.

Modellkonfiguration	Auswahl der Ausstattung	Transferlernen	Multi-Kopf-Aufmerksamkeit	Eingabe der Feuerzählung	RMSE ↓	MAE ↓	R² ↑
LSTM-Basislinie	Nein	Nein	Nein	Nein	7.56	5.52	0.905
+ CorrXGBoost-Rank	Ja	Nein	Nein	Nein	4.24	3.10	0.970
+ Transferlernen	Ja	Ja	Nein	Nein	3.89	2.84	0.975
+ Multi-Kopf-Aufmerksamkeit	Ja	Ja	Ja	Nein	3.48	2.54	0.980
Vollständiges CORTA-Net	Ja	Ja	Ja	Ja	3.19	2.33	0.983

Tabelle 3: Komponentenweise Ablationsanalyse von CORTA-Net. Tabelle 3 bewertet jedes architektonische Element innerhalb eines Systems, indem sie eine oder mehrere Komponenten entfernt oder ändert und Leistungsänderungen misst. Dies zeigt an, welche architektonischen Komponenten am effektivsten sind, bestätigt architektonische Entscheidungen und zeigt, wie die verschiedenen Komponenten interagieren, um die Genauigkeit, Robustheit, Effizienz und Gesamteffektivität des Netzwerks zu verbessern.

Tabelle 3 präsentiert die komponentenweise Ablationsanalyse von CORTA-Net. Der LSTM-Baseline erhielt RMSE = 7,56, MAE = 5,52 und R² = 0,905. Die Hinzufügung der CorrXGBoost-Rank-Funktionsauswahl reduzierte die RMSE auf 4,24, was darauf hindeutet, dass das Entfernen redundanter und schwach relevanter Prädiktoren die Prognoseleistung verbessert hat. Transfer Learning senkte den RMSE weiter auf 3,89, was darauf hindeutet, dass vortrainierte zeitliche Repräsentationen die Modellstabilität verbesserten. Durch die Verwendung von Multi-Head Attention wurde der RMSE von 3,48 auf 3,19 gesenkt, wodurch^der R2-Wert von 0,980 auf 0,983 verbessert wurde, was eine deutliche Verbesserung der zeitlichen Vorhersagen durch die Verwendung von Feature- und Zeitschritt-Gewichten in Verbindung mit den anderen Komponenten des CORTA-Net-Modells (z. B. CorrXGBoost-Rank, Transfer Learning, Multi-Head Attention und MODIS Fire Count Inputs) bedeutet. Insgesamt zeigten die Verbesserungen die Beiträge von Merkmalsauswahl, temporärem Übertragungslernen, aufmerksamkeitsbasierter Sequenzgewichtung und Feueraktivität zur Implementierung und Leistung des CORTA-Net-Modells.

Funktionsauswahl	Zeitliche Sequenzmodellierung	Transfer Learning	Aufmerksamkeitsbasierte Modellverhaltensanalyse	Feueraktivitätseingabe	Hauptrolle im Vergleich
Kein expliziter CorrXGBoost-Rank	Nein	Nein	Nein	Nein	Klassische nichtlineare Basislinie für maschinelles Lernen
Nur interne baumbasierte Bedeutung	Nein	Nein	Nein	Nein	Gradient-Boosting-Basislinie für tabellarische Prädiktoren
Nein	Ja	Nein	Nein	Nein	Rekurrente zeitliche Basislinie
Nein	Ja	Nein	Ja	Nein	Aufmerksamkeitsbasierter rekurvierender Baseline
Ja	Ja	Ja	Ja	Ja	Vorgeschlagener hybrider Prognoserahmen

Tabelle 4: Wesentliche Unterschiede zwischen CORTA-Net- und Baseline-Prognosemodellen. Tabelle 4 zeigt, dass das derzeit für die Prognose verwendete Modell CORTA-Net ist, das fortgeschrittenere Techniken zur Extraktion zeitlicher Merkmale sowie die Möglichkeit ermöglichte, adaptiv basierend auf dem Wichtigen zu reagieren, um komplexe zeitliche Muster aus Zeitreihendatensätzen zu erfassen. CORTA-Net hat dynamisch gelernt, viele verschiedene Zeitskalen miteinander zu verbinden, um eine größere Gesamtgenauigkeit, Robustheit und die Fähigkeit, Verallgemeinerungen zu erstellen, zu erzielen als traditionelle Baseline-Prognosetechniken.

Die Unterschiede zwischen den CORTA-Net-Methodologien und den Vergleichs-Baseline-Modellen sind in Tabelle 4 dargestellt. Random Forest und XGBoost können verwendet werden, um eine nichtlineare Machine-Learning-Baseline-Methode bereitzustellen, fehlen jedoch die direkte Modellierung sequentieller Abhängigkeiten. LSTMs wurden als rekurrentierende temporale Ausgangsmethode verwendet, während Attention-LSTMs aufmerksamkeitsbasierte Gewichtung ohne explizite Screening-Funktionen boten, indem sie Transfer Learning oder Feueraktivität integrierten. Im Gegensatz dazu integriert CORTA-Net vier Aspekte früherer Baselines in einer Prognosepipeline: (1) CorrXGBoost-Rank-Feature-Auswahl; (2) Transfer-Learning-LSTM-Codierungen; (3) Mehrfach-Kopf-Aufmerksamkeit; (4) und MODIS-abgeleitetes Feuer zählen als Eingabedaten.

Basisvergleich
Zusätzlich zu quantitativen Baseline-Vergleichen (separat mit mittelwerten Faltungsunterschieden, Standardfehlern und 95%-Konfidenzintervallen) bewerteten die Autoren auch die interne Funktion von CORTA-Net anhand seines Aufmerksamkeitsmechanismus. Aufmerksamkeitsgewichte, die jedem Eingabefeature zugewiesen werden (über Zeitschritte und mehrere Aufmerksamkeitsmengen), sind in Abbildung 9 dargestellt. In Abbildung 9A zeigt die Gruppe eine repräsentative Verteilung der Aufmerksamkeitsgewichte, die einer der Testdatensatzinstanzen zugewiesen wurden. Wie in dieser Abbildung zu sehen ist, hätten zwar bestimmte Eingabemerkmale (z. B. PM2.5 bei t-1, t-2 und t-3) niedrigere relative Gewichte als andere Prädiktoren, erhalten aber dennoch die höchste Aufmerksamkeit/Gewichtungen, was zeigt, dass CORTA-Net der kurzfristigen zeitlichen Abhängigkeit mehr Aufmerksamkeit schenkt als der Langzeitgedächtnisabhängigkeit. In Abbildung 9B liefern die Forscher aggregierte Bewertungen der relativen Bedeutung aller Eingabemerkmale über alle Testproben hinweg bei der Vorhersage von PM_2,5 für Delhi; Verzögerte PM_2,5, Windgeschwindigkeit, Temperatur und Brandzählung sind als die wichtigsten prädiktiven Eingabemerkmale identifiziert. In Abbildung 9C demonstrieren die Autoren die Multi-Head-Aufmerksamkeitsmuster von CORTA-Net, bei denen jeder Kopf unterschiedliche, aber komplementäre, zeitliche und/oder feature-bezogene Beziehungen zwischen den Eingabemerkmalen erfasst und so eine reichhaltigere Darstellung der Eingabemerkmale erlernen kann. In Abbildung 9D illustrieren die Autoren den zeitlich verlaufenden Aufmerksamkeitsfluss im Zeitverlauf in Bezug auf PM₁₀ und zeigen, wie sich die Aufmerksamkeit im Laufe der Zeit basierend auf den PM-10-Niveaus verändert. Obwohl die Aufmerksamkeitsgewichte als Indikatoren für allgemeine Muster der Verarbeitung sequenziell bereitgestellter Umweltdaten durch CORTA-Net sowie für die Priorisierung jedes sequenziell bereitgestellten Merkmals interpretiert werden können, liefern die Aufmerksamkeitsgewichte keinen direkten Hinweis auf kausale Zusammenhänge. Sie lieferten jedoch keine Einblicke darin, wie CORTA-Net sequentiell Umweltdaten liefert, was die Interpretierbarkeit seiner Vorhersagen verbessert (ergänzende Tabelle 3).

Abbildung 9: Aufmerksamkeitsbasierte Visualisierungen des CORTA-Net-Modellverhaltens. Aufmerksamkeitsgewichte werden gezeigt, um zu veranschaulichen, wie das Modell den Fokus über Eingabemerkmale und Zeitschritte während der Vorhersage verteilt, und sollten als Indikatoren für das Verhalten des Modells und nicht als Belege für kausale Zusammenhänge interpretiert werden. (A) Einzelinstanz-Aufmerksamkeitskarte, die Aufmerksamkeitsgewichte für Eingabemerkmale und aktuelle historische Beobachtungen für eine individuelle Vorhersage zeigt. (B) aggregierte Merkmalsbedeutung basierend auf Aufmerksamkeitsgewichten im gesamten Testdatensatz, wobei der relative Beitrag jeder Eingabevariablen zur PM₂.₅-Vorhersage hervorgehoben wird. (C) Mehrköpfige Aufmerksamkeitsmuster, die zeigen, wie verschiedene Aufmerksamkeitsköpfe komplementäre Merkmals- und Zeitrepräsentationen einfangen. (D) Zeitliche Aufmerksamkeitsverteilung, die die relative Bedeutung historischer Zeitschritte bei der Vorhersage zeigt. Insgesamt erhielten verzögertes PM₂.₅, FIRECOUNT, Windgeschwindigkeit (WDS), Luftfeuchtigkeit und Temperatur die höchsten Aufmerksamkeitsgewichte, was ihre Bedeutung im Vorhersageprozess des Modells unterstreicht. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Die ergänzende Abbildung 6A–B vergleicht CORTA-Net mit Basismodellen unter Verwendung von MAE, RMSE und R². Niedrigere MAE- und RMSE-Werte deuteten auf einen geringeren Vorhersagefehler hin, während ein höheres^R2 auf eine besser erklärte Varianz hinweist. CORTA-Net zeigte einen geringeren Vorhersagefehler als die ausgewerteten Baseline-Modelle unter derselben experimentellen Partition. Der Vergleich sollte jedoch innerhalb des ausgewählten Datensatzes der Delhi-Überwachungsstation und derselben Vorverarbeitungspipeline interpretiert werden. Ergänzende Abbildung 7 fasst die relative Rangfolge der CORTA-Net- und Baseline-Modelle über die berichteten Kennzahlen zusammen. Ergänzende Abbildung 8 hebt die Hauptkomponenten hervor, die zur Modellleistung beitragen, darunter Merkmalauswahl, Transfer Learning, temporale Sequenzmodellierung und Multi-Head-Aufmerksamkeit.

Die Bewertung, die die Leistung von CORTA-Net mit einigen der Basismodelle vergleicht, wird in der ergänzenden Abbildung 7A–C mit einer Radarkarte erstellt, die das einzige Modell zeigt, das in allen gemessenen Bereichen höher als (oder niedriger als) seine Gegenstücke misst (invertierte RMSE, invertierte MAE und^R2-Werte ). CORTA-Net erreichte die beste Gesamtplatzierung in der ergänzenden Abbildung 7B und belegte zudem bei mehreren anderen gemessenen Kennzahlen die Spitzenpositionen. Die ergänzende Abbildung 7C zeigt die Leistungsverbesserungen zwischen CORTA-Net und den mehreren Baselines, gemessen durch CORTA-Net, und zeigt erhebliche Zuwächse im Vergleich zu den Baselines in dieser Studie. Die deutlichste Verbesserung zeigt sich bei RMSE (22,8 %), gefolgt von MAE (24,1 %) und^R2-Werten (39,3 bis 72,2 % Anstieg zur Erklärung der Varianz in jedem Ergebnis). Das Zusammenfassungsfeld von CORTA-Net bietet einen Überblick über seine Stärken. Dazu gehören die Fähigkeit, mehrköpfige Aufmerksamkeit zur Bewertung der Bedeutung anzuwenden, zeitliche Verschmelzung von Sensordaten zur Vorhersage zukünftiger Schadstoffe, Widerstand gegen Veränderungen von Verschmutzungsereignissen (z. B. schwere Stürme) und eine konsistente Leistung über alle Erfolgsmaße in einem funktionsübergreifenden Umfeld. CORTA-Net übertrifft alle anderen aktuellen Deep-Learning-Modelle aufgrund seiner Vorhersagefähigkeit.

DATENVERFÜGBARKEIT:
Daten zur Luftqualität in dieser Studie stammen aus öffentlich zugänglichen Überwachungen durch das Central Pollution Control Board und das Delhi Pollution Control Committee, sofern verfügbar. Meteorologische Daten wurden aus Aufzeichnungen des indischen Meteorologischen Amtes oder entsprechenden Quellen öffentlicher meteorologischer Daten gewonnen. Satellitenbasierte Feuerzähldaten wurden aus dem MODIS-Aktivfeuerprodukt abgeleitet. Für den Bericht sind die verarbeiteten Datensätze, ausgewählte Funktionslisten, Normalisierungsparameter und Code zur Reproduktion der gemeldeten Experimente über den Link im Manuskript-Repository verfügbar: https://github.com/saravagnamahasiva/CORTA-Net. Das Manuskript hebt die Reproduzierbarkeit hervor, indem es eine klare Identifikation der Datenquelle(n), der Vorverarbeitungsschritte, Schwellenwerte für die Merkmalsauswahl, der Modellkomponente(n), der Bewertungspartition(en) und der gemeldeten Metriken bereitstellt. Das Modell wird mit chronologischen Trainings-, Test- und Validierungspartitionen bewertet. Preprocessing-Parameter wurden aus Trainingsdaten abgeleitet und anschließend sowohl auf Test- als auch auf Validierungsdaten angewendet. Ergebnisse werden als Ergebnisse geliefert, die spezifisch für ihre jeweiligen Teilungen sind, und allgemeinere Ansprüche werden vermieden.

Ergänzende Abbildung 1: Untersuchungsflächenkarte von Delhi. Eine Untersuchungsflächenkarte von Delhi, die die Standorte der vier Luftqualitätsüberwachungsstationen (Dwarka Sektor 8, Anand Vihar, Mundka-DPCC und Sonia Vihar) zeigt, die in dieser Studie für PM₂.₅-Datenerhebung und Modellentwicklung enthalten sind. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung 2: Jährlicher FIRECOUNT-Trend (2012–2024). Brandvorfälle tragen zur Luftverschmutzung bei, wie die FIRECOUNT-Trends von 2012 bis 2024 zeigen. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung 3: Diagramm der Autokorrelationsfunktion (ACF) für stündliche PM₂.₅. Die Autokorrelation der vorhergesagten PM_2,5 bei 30 Verzögerungen zeigt eine starke positive Autokorrelation bei fast allen Verzögerungen und bestätigt, dass PM2,5 in Delhi eine starke zeitliche Abhängigkeit und mehrtägige Persistenz aufweist. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung 4: Interne Struktur einer LSTM-Einheit. Ein LSTM-Netzwerk (Long Short-Term Memory) löst das langfristige Abhängigkeitsproblem von Standard-Rekurrenten Neuralen Netzwerken (RNNs), indem es den Informationsfluss durch einen dedizierten Zellzustand reguliert, der als Speicherförderband fungiert. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung 5: Multi-Head Aufmerksamkeitsblockdiagramm. Multi-Head-Attention erweitert die Selbst-Aufmerksamkeit, indem sie die Eingabe in mehrere Köpfe aufteilt, sodass das Modell verschiedene Beziehungen und Muster erfassen kann. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung 6: Gesamtleistungsvergleich der CORTA-Net- und Baseline-Prognosemodelle. Die Modellleistung wurde anhand des mittleren absoluten Fehlers (MAE), des Wurzelmittler-Quadratfehlers (RMSE) und des Bestimmungskoeffizienten (R²) bewertet. Niedrigere MAE- und RMSE-Werte bedeuten einen geringeren Vorhersagefehler, während höhere ^R2-Werte eine besser erklärte Varianz anzeigen. (A) Vergleichsleistung von CORTA-Net und den evaluierten Baseline-Modellen basierend auf MAE-, RMSE- und ^R2-Metriken. (B) Gesamtvergleich, der die relative prädiktive Leistung der bewerteten Modelle unter derselben experimentellen Datenpartition hervorhebt. CORTA-Net erzielte geringere Vorhersagefehler und eine höhere Erklärungsleistung als die bewerteten Baseline-Modelle. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung 7: Vergleichende Leistungsanalyse von CORTA-Net und Baseline-Modellen unter Verwendung mehrerer Bewertungskennzahlen. (A) Radardiagramm, das die normalisierte Modellleistung basierend auf invertiertem RMSE, invertiertem MAE und R² vergleicht und die Gesamtüberlegenheit von CORTA-Net über die bewerteten Kennzahlen hinweg zeigt. (B) Relative Leistungsbewertung von CORTA-Net im Vergleich zu Baseline-Modellen, was seine durchgehend topplatzierte Leistung hervorhebt. (C) Prozentuale Verbesserung von CORTA-Net gegenüber den bewerteten Baseline-Modellen für MAE, RMSE und R², was erhebliche Verbesserungen bei der prädiktiven Genauigkeit und erklärten Varianz zeigt. (D) Zusammenfassung der wichtigsten Eigenschaften von CORTA-Net, mit Hervorhebung seines Multi-Head-Aufmerksamkeitsmechanismus, der zeitlichen Zusammenführung von Merkmalen, der Robustheit gegenüber Verschmutzungsereignissen und der durchgehend überlegenen Prädiktionsleistung über alle Bewertungskennzahlen. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung 8: Vergleich von Trainings- und Validierungsverlusten über Epochen hinweg. Dies demonstriert progressive Modellkonvergenz und stabile Generalisierung mit minimalem Overfitting. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Tabelle 1: Architektur des vorgeschlagenen CORTA-Net-Modells. Überblick über die CORTA-Net-Architektur, einschließlich jeder Netzwerkkomponente, Schichtspezifikationen, Aktivierungsfunktionen und der entsprechenden Anzahl trainierbarer Parameter, die für die PM₂.₅-Prognose verwendet werden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Tabelle 2: Hyperparameter-Einstellungen und Trainingskonfiguration des vorgeschlagenen CORTA-Net-Modells. Zusammenfassung des architektonischen Designs, der Hyperparametereinstellungen, der Trainingskonfiguration, der Feature-Engineering-Strategie, der Datenvorverarbeitung, der Übertragungslerneinrichtung und der Evaluierungsparameter, die zur Entwicklung und Optimierung des vorgeschlagenen Modells verwendet werden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Tabelle 3: Leistungsvergleich des vorgeschlagenen Modells mit Basisprognosemethoden. Vergleich konventioneller Modelle für maschinelles Lernen und Deep Learning mit dem vorgeschlagenen Rahmen hinsichtlich Merkmalsauswahl, Aufmerksamkeitsmechanismus, Transfer Learning und prädiktiver Leistung, gemessen mit RMSE, MAE und R². Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Tabelle 4: Vergleich früherer PM₂.₅-Prognosestudien und des vorgeschlagenen Ansatzes. Zusammenfassung repräsentativer PM₂.₅-Prognosestudien, die ihre Methoden, Datensätze, wichtige Eingabemerkmale, Einbeziehung von Brandaktivitäten, prädiktive Leistung, Interpretierbarkeit, gemeldete Einschränkungen und wie das vorgeschlagene CORTA-Net-Framework diese Einschränkungen adressiert, hervorhebt. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

CORTA-Net vereint drei Schlüsselkomponenten in einer Sequenz und bildet eine hybride Architektur. CorrXGBoost-Rank: Eine angepasste Feature-Auswahlkomponente, die redundante Prädiktoren vor der temporalen Modellierungsstufe³⁸ eliminiert. LSTM-Encoder: Verwendet gestapelte LSTM-Schichten, um kurz- und langfristige zeitliche Abhängigkeiten in der ausgewählten 24-Stunden-Eingabesequenz³⁹ zu erfassen. Multi-Head Attention Layer: Auf die LSTM-Ausgabe (mit den zugehörigen Aufmerksamkeitsgewichten) als Teil des letzten Schrittes des CORTA-Net-Hybridsequenzmodells angewendet; verbessert die Interpretierbarkeit des Endoutputs, ohne die Rolle des primären LSTM-Backbone⁴⁰ zu ersetzen. Der LSTM-Encoder lernt zeitliche Abhängigkeiten aus der ausgewählten Schiebefenstersequenz. Das CORTA-Net ist darauf ausgelegt, einen hybriden Sequenzmodellierungsansatz bereitzustellen, bei dem CorrXGBoost-Rank redundante Prädiktoren entfernt. Die Multi-Head Attention Layer lieferte eine gewichtete Aggregation aller LSTM-Ausgaben und erzeugte sowohl die PM_{2.5-Prognosen} als auch die zugehörigen Aufmerksamkeitsgewichte. Die drei Komponenten von CORTA-Net unterscheiden sich deutlich von reiner Transformer-Architektur, während CORTA-Net LSTM-(rekurrente) Netzwerke zur Modellierung des Sequenzlernens verwendet, rekurrente Netzwerke die Hauptbasis für sequentielles Lernen bilden und Aufmerksamkeit als erklärender Mechanismus fungiert.

Das CORTA-Net-Framework hat vier Haupteinschränkungen. Erstens basierte die Bewertung des Modells auf verschiedenen Überwachungsstationen in ganz Delhi, sodass die Leistung möglicherweise nicht auf Städte mit unterschiedlichen Emissionsquellen, Klimabedingungen oder Überwachungsdichte/-konfiguration/etc. verallgemeinert werden kann. Zweitens liefern Feuerzählungen aus Satellitendaten zwar einen Stellvertreter für Brandvariablen, liefern aber möglicherweise keine vollständige Darstellung der Feuerintensität, des Fahnentransports oder der chemischen Umwandlung. Drittens können unidirektionale Sensoren, fehlende Daten und Änderungen an einzelnen Überwachungsstationen oder prädisponierenden Überwachungsnetzwerken die Qualität und Zuverlässigkeit der Zeitreihendaten beeinflussen. Viertens, obwohl Aufmerksamkeit informativ ist, impliziert sie keinen kausalen Zusammenhang. Weitere Evaluierungen erfordern die Nutzung von CORTA-Net in anderen unabhängigen Städten sowie zusätzliche Überwachungsnetzwerke. Um die Genauigkeit von Schätzungen des regionalen Luftverschmutzungsverkehrs durch den Einsatz neuer Technologien zu verbessern, haben Forscher einen verkehrsbewussten Rahmen entwickelt. Das Framework integriert zusätzliche Daten wie Merkmalsextraktion aus meteorologischen und Fernerkundungsdatensätzen, Qualitätskontrolle der Daten, nahezu Echtzeit-Datenaufnahme, Unsicherheitsschätzung und häufige Modellrekalibrierung⁴¹. Das Forschungsteam hat eine umfassende Suite von rechnergestützten Werkzeugen entwickelt, um diese Probleme zu adressieren, darunter adaptive Optimierer für Modelltraining und Parameteroptimierung, Transfer Learning zur Nutzung bestehender Daten zur Verbesserung der Prädiktionsfähigkeit, sequentielle Zeitreihenmodellierungstechniken, aufmerksamkeitsbasierte Modellierung und Modellinterpretierbarkeit. Darüber hinaus ermöglicht die Integration von erklärbarer KI in das CORTA-Net-Framework eine direkte Verbindung von Vorhersagen mit wissenschaftlichem Wissen über die wichtigsten beitragenden Faktoren zur Luftverschmutzung. Zum Beispiel ermöglicht erklärbare KI die Identifizierung von Feueraktivitäten in der Nachmonsunzeit als bedeutender Beitrag zur Luftverschmutzung. Die Kreuzvalidierung der Modellleistung (Delhi RMSE = 3,19, R² = 0,983) bestätigt die Wirksamkeit von CORTA-Net, während aufmerksamkeitsbasierte Visualisierungen der Modellausgaben darauf hinweisen, dass für Entscheidungsträger und Public-Health-Fachkräfte interessante Muster beobachtet werden können. Schließlich würde die Verwendung von Brandzählungen und nicht kontrollierten Emissionsdaten als Eingaben für das CORTA-Net-Framework die Verallgemeinerbarkeit der Ergebnisse auf andere Regionen verringern, da die Nutzung schnell oder schlecht überwachter Quellen die Umsetzung des CORTA-Net-Frameworks⁴² erheblich beeinträchtigen könnte.

Die in Abbildung 10 dargestellte grafische Darstellung ermöglicht es Entscheidungsträgern und Forschern, die Beziehungen zwischen Modellen/Systemen zu visualisieren, die mit unterschiedlichen Methodologien für PM₂.₅-Prognosen entwickelt wurden, wobei farbcodierte Balken RMSE (kürzere Balken = größere Genauigkeit) und R² (längere Balken = größere Variabilität berücksichtigt) darstellen, wobei Modelle nach Ansatz organisiert sind (Stadtaggregation, stationsspezifische, multivariate Reihen). Die grafischen Darstellungen der Tiefe zeigen, dass kein einzelnes Modell vorhersehbar in allen Kategorien besser abschneidet; CORTA-Net schnitt konsequent besser ab ähnlichen Modellen bei urbanen, hochrauschenden, stationsbezogenen Datensätzen mit signifikanter lokaler Variabilität, während MxConnect im Allgemeinen bessere regionale Durchschnittsergebnisse über räumlich gröbere Datensätze lieferte, was die Bedeutung der Auswahl von Modellen basierend auf dem Umfang der analysierten Daten (d. h. Größe der Datensätze) und räumlicher Auflösung der Datensätze (d. h. Überlastungsniveau) und Rauschpegeln in Datensätzen (d. h. Genauigkeit) oder lokale Varianz. Im Grunde liegt die Einzigartigkeit von CORTA-Net in der Nutzung adaptiver Merkmalgewichtung, die in einen rekurrierenden sequentiellen Aufmerksamkeitsmechanismus eingebettet ist, um redundante Eingaben oder Eingaben mit hohem Zufallsrauschen während der temporalen Verarbeitung dynamisch zu entlasten. Dies wird erreicht, indem adaptive Merkmalsgewichtung in ein individuelles, aufmerksamkeitsbasiertes Gating-Design eingebettet wird, im Gegensatz zu den meisten heutigen Ansätzen, die vor der Anwendung eines Modells als Vorverarbeitungsschritt stark auf statische heuristische Ansätze (z. B. Korrelation oder PCA-Schwellenwerte) setzten. Dieser adaptive, kontextabhängige Priorisierungsansatz, der in CORTA-Net verwendet wird, ermöglicht Echtzeitanpassungen an lokale Dynamiken in städtischen Geweben, wobei einfachere und weniger komplexe Modelle mit global trainierten Datensätzen bessere Prognoseergebnisse für Landesdurchschnitte liefern können. Die in Abbildung 10B dargestellten vergleichenden grafischen Darstellungen identifizieren gemeinsam die Beziehung zwischen dem Modellbenchmarking und geben Forschern und Entscheidungsträgern eine Richtung bei der Auswahl der Modelle für ihre spezifische Anwendung (d. h. sie können zusätzliche Forschungsrichtungen im Zusammenhang mit der kurzfristigen Prognose von PM₂.₅ identifizieren).

Abbildung 10: Vergleich der prädiktiven Leistung von CORTA-Net- und Baseline-Prognosemodellen. Die Modellleistung wurde anhand des mittleren absoluten Fehlers (MAE), des Wurzelmittler-Quadratfehlers (RMSE) und des Bestimmungskoeffizienten (R²) bewertet. Niedrigere MAE- und RMSE-Werte bedeuten eine bessere Prädiktionsgenauigkeit, während höhere ^R2-Werte eine größere erklärte Varianz anzeigen. (A) Vergleichende Leistung aller bewerteten Modelle basierend auf MAE, RMSE und R², die eine Gesamtbewertung der prädiktiven Genauigkeit und Modellanpassung liefert. (B) Leistungsvergleich der leistungsstärksten Modelle, wobei die relativen Stärken und Schwächen von CORTA-Net und Benchmark-Ansätzen hervorgehoben werden. Insgesamt zeigt der Vergleich die Wettbewerbsfähigkeit von CORTA-Net und erleichtert gleichzeitig eine intuitive Bewertung verschiedener Modellarchitekturen für PM₂.₅-Prognosen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Der Vergleich zeigt, dass CORTA-Net ein hybrider PM₂.₅-Prognoseworkflow ist und nicht eine eigenständige Transformer-Architektur (Ergänzende Tabelle 4). Neue Transformatorarchitekturen haben eine erhebliche Fähigkeit zum Erlernen von zeitlichen Abhängigkeiten auf lange Entfernungen gezeigt, aber hybride CNN-RNN- und Transformer-LSTM-Architekturen erhöhen die Prognoseeffizienz, indem sie die Stärken jeder neuronalen Architektur nutzen (wie in Tabelle 5 dargestellt). Im Gegensatz zu CORTA-Net basieren viele bestehende hybride CNN-RNN- und Transformer-LSTM-Modelle auf dem Sequenzmodell, um aus dem vollständigen Eingabefunktionsset zu lernen, anstatt vor der temporalen Modellierung explizite Merkmalsabschirmungen durchzuführen, während CORTA-Net externe MODIS-Feuerzähldaten zur Modellierung von Biomasseverbrennungseinflüssen verwendet. Die Verwendung von Aufmerksamkeitsgewichten durch CORTA-Net, um zu bewerten, wie jeder Prädiktor den kumulativen Prädiktorbeitrag in Bezug auf die Zeit (d. h. zeitaggregierte Gewichtung) einfließt, und seine drei verschiedenen Stufen tragen alle zum Gesamtfehler bei, der mit CORTA-Net verbunden ist, wobei die Kombination aller drei den niedrigsten Fehler im Vergleich zum Delhi-Monitoring-Station-Datensatz unter Evaluation⁴³ hat. Zusammenfassend integrieren die praktischen Beiträge von CORTA-Net reproduzierbar vier relevante Bereiche der kurzfristigen PM₂.₅-Prognose: Merkmalauswahl, temporäres Transferlernen, externe Feueraktivitätsanreicherung und aufmerksamkeitsbasierte Interpretierbarkeit. Gruppiere Ergebnisse nach Modell und Datenquelle (ERA5-Reanalyse global auf multivariable stadtspezifische Städte) (Abbildung 10), wobei die Forscher leicht vergleichen können, wie die Leistung jedes Modells mit den acht Schlüsselvariablen zusammenhängt, die mit der Gesamtgutheit der PM₂.₅-Konzentrationen zusammenhängen.

Hauptkomponenten des Modells	Berichtete beste numerische Ergebnisse	Wesentlicher Unterschied zu CORTA-Net
ARIMA für lineare Komponenten, CNN-LSTM für nichtlineare Komponenten, Dungkäfer-Optimierer für Hyperparameter-Tuning	RMSE = 7,594, 14,940, 7,841 und 5,496; MAE = 5,285, 10,839, 5,120 und 3,770; R² = 0,989, 0,962, 0,953 und 0,953 in vier Städten	Starkes hybrides AQI-Modell, aber es konzentriert sich auf AQI und Modelloptimierung; es beinhaltet keine explizite CorrXGBoost-Rank-Screening oder MODIS Feuerzähl-Integration
Transformator-Encoder, BiLSTM-Decoder, SHAP-basierte Interpretation	Peking: RMSE = 3,0012, MAE = 1,7928, R² = 0,9694; Tianjin: RMSE = 4,4785, MAE = 3,1614, R² = 0,9621; Shijiazhuang: RMSE = 5,1646, MAE = 3,4057, R² = 0,9324	Erfasst langfristige und kurzfristige AQI-Abhängigkeiten, verwendet jedoch hauptsächlich Schadstoffkonzentrationsdaten und keine MODIS-Feuerzählvariablen oder vorsequenzierte CorrXGBoost-Rank-Reduktion
LSTM, Transformator-Selbstaufmerksamkeit, Teilchenschwarm-Optimierung	Beste saisonale Einstellung: R² = 0,98745 und 0,95655 für zwei Städte; Berichtete fehlerarme Werte umfassen MAE = 0,83363 und RMSE = 1,0176 in der besten Einstellung	Stark optimiertes Transformer-LSTM-Modell, dessen Hauptneuheit jedoch die PSO-basierte Optimierung anstelle von Feature-Redundanz-Entfernung und Feueraktivitätsanreicherung ist
CNN-LSTM mit Komponenten des Kolmogorov-Arnold-Netzwerks und geografischer Aufmerksamkeit	Shanghai: RMSE = 1,9222 und R² = 0,9832; Peking: RMSE = 2,5213, mit 59,6 % niedrigerer RMSE als das Basis-LSTM	Starkes, geografisch bewusstes AQI-Modell, aber es berücksichtigt nicht speziell die Delhi PM₂.₅-Prognose und berücksichtigt auch nicht MODIS-Feuerzählungen für Biomasseverbrennungsepisoden
Klassische maschinelle Lernregressoren mit Rastersuchoptimierung	GBR: RMSE = 2,31; RF: MAE = 0,47 und RMSE = 2,95; XGBR: R² = 0,9781	Nützlicher Benchmark für maschinelles Lernen, aber Modelle stellen nicht explizit sequentielle zeitliche Abhängigkeit durch LSTM oder Aufmerksamkeit dar
LSTM optimiert mit dem Sparrow-Suchalgorithmus; im Vergleich zu CNN-LSTM, CNN-BiLSTM und PSO-LSTM	SSA-LSTM: RMSE = 8,601, MAE = 6,317, R² = 0,946; PSO-LSTM: RMSE = 8,860, R² = 0,944; Ausgangswert LSTM: RMSE = 12,481, R² = 0,884	Zeigt den Wert des optimierten LSTM, verwendet aber keine Multi-Head Attention, Transfer-Learning-Adaptation oder Satelliten-Feueraktivitätsvariablen
Transformatormodell mit clusterbasierter Untersampling für unausgeglichene Hochverschmutzungsereignisse	Beste Konfiguration: RMSE = 2,080, MAE = 1,386, R² = 0,914	Stark für die Vorhersage von PM₂.₅ bei hohen Ereignissen, aber der Schwerpunkt liegt auf der Handhabung von Ungleichgewichten statt auf integrierter Merkmalsauswahl, Transfer Learning, Feueranreicherung und aufmerksamkeitsbasierter Interpretation
Nur LSTM-Zeitencoder	RMSE = 7,56, MAE = 5,52, R² = 0,905	Verwendet als interne zeitliche Basis unter demselben experimentellen Setting in Delhi
LSTM mit korrelations- und XGBoost-basierter Merkmalauswahl	RMSE = 4,24	Zeigt, dass das Entfernen redundanter und schwacher Prädiktoren die Prognose vor dem Sequenzlernen verbessert
Feature-Auswahl, Transfer-Learning-LSTM und Multi-Head Attention	RMSE = 3,48, R² = 0,980	Zeigt den Mehrwert aufmerksamkeitsbasierter zeitlicher und feature-Gewichtung

Tabelle 5: Methodischer Vergleich von CORTA-Net mit aktuellen und bestehenden PM₂.₅/AQI-Prognosemodellen. Das vorgeschlagene Rahmenwerk unterscheidet sich grundlegend von neueren transformatorbasierten oder hybriden PM₂.₅-Prognosemethoden. Ein stärkerer Vergleich mit dem aktuellen Stand der Technik.

Der wichtigste Beitrag dieser Studie ist ein hybrider Deep-Learning-Ansatz namens CORTA-Net, der eine integrierte Methode zur Vorhersage kurzfristiger_{PM-2,5-Konzentrationen} in Neu-Delhi, Indien, mit einer komplexen gebauten Umgebung bietet. Anstatt sich auf bifurkierte Modelle zu verlassen, die aus drei eigenständigen Komponenten bestehen (ein Merkmalsauswahlmodul basierend auf CorrXGBoost-Rank zur Minimierung der Redundanz; ein durch Transfer Learning verbessertes LSTM zur Kodierung der Nichtstationarität zeitlicher Abhängigkeiten; und ein Multi-Head-Attention-Mechanismus zur Erreichung interpretierbarer, langfristiger und kurzfristiger Vorhersagen) verwendet CORTA-Net einen pipelinebasierten Ansatz, um diese Komponenten synergetisch zu integrieren. Dieses Rahmenwerk berücksichtigt die Eingabe von meteorologischen Variablen, MODIS-Brandzählungen und Daten zur Luftqualität, um eine umfassendere Darstellung der Faktoren zu erstellen, die zur_{PM-2.5-Verschmutzung} beitragen. CORTA-Net schnitt signifikant besser ab als die etablierten Baselines (Random Forest, XGBoost, LSTM und aufmerksamkeitsbasiertes LSTM) unter Verwendung rigoroser Bewertungsmetriken, die hohe R2-Werte (0,983) und niedrige RMSE-Werte (3,19) einschlossen. Diese Studien zeigten, dass alle Elemente von CORTA-Net signifikant zur Modellleistung beitrugen. Der Multi-Head-Attention-Mechanismus von CORTA-Net verlieh dieser Studie zusätzlichen Wert, da er zeigte, dass die wichtigsten Prädiktoren aktuelle_{PM-2.5-Messungen}, Brandzählungen und meteorologische Messungen waren, was gut mit bekannten atmosphärischen Prozessen übereinstimmt und diesem Modell zudem eine bedeutende Interpretierbarkeit bietet.

Trotz der vielversprechenden Ergebnisse räumen die Autoren ein, dass einige Einschränkungen bestehen, darunter eine geografische Beschränkung (nur Neu-Delhi) und die ausschließliche Abhängigkeit von MODIS-Feuerzählungen als thermische Proxys für RS-Daten. Zukünftige Forschung wird sich darauf konzentrieren, die Leistung von CORTA-Net in verschiedenen städtischen Regionen zu validieren sowie die Integration von Verkehrsbewusstseinsmerkmalen wie Höhen der Grenzschicht und Windbahnen in den Modellierungsprozess zu integrieren, um die Generalisierbarkeit zu erhöhen. Dennoch sind die Autoren der Meinung, dass CORTA-Net ein hoch praktikables, reproduzierbares und interpretierbares Rahmenwerk zur Unterstützung datenbasierter Politikgestaltung und Frühwarnsysteme ist. Die Fähigkeit von CORTA-Net, in einer datenreichen, aber komplexen urbanen Umgebung in Neu-Delhi starke Leistungen zu erzielen, legt nahe, dass CORTA-Net bereit ist, breit implementiert zu werden, und legt damit die Grundlage für die Entwicklung eines neuen Standards für die Vorhersage der städtischen Luftqualität.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Calibri-Schriftart	Microsoft Corporation	URL: https://learn.microsoft.com/de-de/typography/font-list/calibri	Wird als angeforderte Basistypografie für korrigierte Abbildungsdiagramme und Beschriftungen verwendet.
CORTA-Net-Abbildungserstellungsskripte	Benutzerdefinierte Skripte für dieses CORTA-Net-Projekt	URL: https://github.com/saravagnamahasiva/CORTA-Net	Wird verwendet, um PDFs mit korrigierten Beschriftungen und Reihenfolgen in Publikationsqualität neu zu erstellen.
CORTA_Net_High_Resolution_Images.zip	Von Benutzer bereitgestelltes Projekt-Bildarchiv	Katalognummer/RRID: Nicht anwendbar; lokales Quellarchiv	Wird als Quellen-/Referenzbildsatz verwendet und zur Bestimmung der Abbildungsidentität.
GitHub	GitHub, Inc.	URL: https://github.com/	Wird als beabsichtigter Repository-Host für Projektcode und Dateien zur Abbildungserstellung verwendet.
Matplotlib	Matplotlib Development Team	RRID: SCR_008624; URL: https://matplotlib.org/	Wird zum Neuzeichnen von Diagrammen, Diagrammen, Beschriftungen, Panel-Markern und Vektor-PDF-Abbildungen verwendet.
NumPy	NumPy-Entwickler	RRID: SCR_008633; URL: https://numpy.org/	Wird für deterministische Arrays und simulierte Werte in neu erstellten Abbildungsfeldern verwendet.
OpenAI Codex	OpenAI	URL: https://openai.com/codex	Wird zur Unterstützung bei Codebearbeitung, Abbildungserstellung, PDF-Paketierung und Überprüfung verwendet.
Pillow	Pillow-Mitwirkende	URL: https://python-pillow.org/	Wird zum Überprüfen, Ändern der Größe, Vorschau und Validieren von Rasterbildausgaben verwendet.
Poppler	Poppler-Entwickler / freedesktop.org	URL: https://poppler.freedesktop.org/	Wird verwendet, um generierte PDFs für visuelle Qualitätsprüfungen in PNG-Vorschauen zu rendern.
pypdf	pypdf-Mitwirkende	URL: https://pypdf.readthedocs.io/	Wird verwendet, um zu überprüfen, ob jede endgültige Abbildung als PDF eine gültige Seite enthält.
Python	Python Software Foundation	RRID: SCR_008394; URL: https://www.python.org/	Wird als Programmierumgebung für Abbildungserstellung und PDF-Verarbeitung verwendet.
ReportLab	ReportLab Inc.	URL: https://www.reportlab.com/	Wird verwendet, um die obligatorische Materialien/Tools/Software-Tabelle als PDF-Artefakt zu erstellen.
Windows PowerShell	Microsoft Corporation	URL: https://learn.microsoft.com/de-de/powershell/	Wird für Datei-Orchestrierung, Archivextraktion und endgültige ZIP-Paketierungsbefehle verwendet.