デリー都市環境におけるPM2.5 予測のための注意ベース解釈可能性を持つハイブリッド深層学習

サマリー

CORTA(Correlation Optimized Ranked Transfer-Attention)-Netは、デリーの短期PM₂.₅予測のためのハイブリッドディープラーニングフレームワークです。このモデルは、CorrXGBoost-Rankの特徴選択、長期短期記憶ネットワークを用いた転移学習、時間的および特徴レベルの解釈のための多頭注意力を組み合わせ、大気質、気象学、衛星由来の火災カウントデータを用いてPM_2.5の予報を向上させています。

要約

デリーでの短期PM_2.5の予測は困難です。なぜなら、粒子状物質濃度は局所的な排出、気象変動、季節的な停滞、そして偶発的な火災関連汚染の影響を受けるからです。本研究は、2012年から2024年までのマルチソース環境データを用いてPM_2.5 予測のためのハイブリッド深層学習フレームワークCORTA-Netを提示します。入力データには、CPCB(中央汚染管理委員会)/DPCC(デリー汚染管理委員会)の監視ステーションによる毎時の大気質観測、インド気象局(IMD)からの気象変数、MODIS(中解像度イメージング分光計)製品による衛星由来の火災カウント情報が含まれます。提案されたフレームワークはまずCorrXGBoost-Rank特徴選択を適用し、冗長な予測変数を減らし、重要な汚染物質、気象学的、時間的、火災関連変数を保持します。選ばれた特徴は教師ありのスライディングウィンドウシーケンスとして整理され、移行学習ベースのLSTMエンコーダで処理され、その後マルチヘッドアテンションレイヤーが適用されます。注意メカニズムはPM_2.5 の予報を特徴および時間ステップレベルで解釈します。CORTA-Netは、時系列的なトレーニング、テスト、検証のパーティションとクロスバリデーションを用いて評価されました。ランダムフォレスト、XGBoost、LSTM、注意-LSTMのベースラインと比較して、提案されたフレームワークは評価されたデリー監視局設定下で予測誤差を低減しました。CORTA-Netの新規性は、明示的なCorrXGBoost-Rank特徴スクリーニング、移移学習に基づく時間符号化、MODIS火災活動統合、多頭注意力ベースのモデル行動分析を単一の再現可能なPM_2.5 予測パイプラインに組み合わせている点にあります。実際的には、このフレームワークは、汚染記録、気象観測、火災活動指標が利用可能なデータ豊富な監視環境下での短期都市大気質予測を支援できます。

概要

空気力学≤直径2.5μm(PM_2.5)の微細粒子状物質は、デリーで重要な大気質問題であり、地域排出量^1,2,3、^{地域交通4}、季節気象⁵、そして断続的なバイオマス燃焼イベント⁶の影響を受けます。モンスーン後および冬季期は⁷、風速⁸、浅い境界層条件⁹、温度逆温は汚染物質の拡散を減少させ、粒子の蓄積を増加させます。PM_2.5の短期予測は、時系列¹⁰の非線形的で季節的かつ急激な高汚染現象のため困難です。PM_2.5予測に関する過去の研究では、統計モデル、機械学習モデル、リカレントニューラル^{ネットワークモデルが}利用されてきました。統計的手法^{はデータの傾向}や季節性の特定に有用ですが、汚染物質と気象学の間に存在する非線形相互作用を完全には説明できない^{場合があります。}ランダムフォレストやXGBoostなどの機械学習モデルは非線形^{関係のモデル}化に利用できます。しかし、遅延特徴が設計されない限り、通常は時間的依存性を持ちません。長短期(LSTM)ニューラルネットワークは、時間的依存性と非線形関係の両方をモデル化^{することができます。}

長期短期記憶ネットワークは^{時間パターンを}モデル化できますが、非定常状態や急激な汚染エピソードによってそのパフォーマンスが影響を受ける^{可能性があります。}最近の注意ベースおよびトランスフォーマーベースのアプローチは時間表現を改善します^が、多くはすべての候補変数を直接処理し、シーケンスモ^{デリング前の}特徴冗長性の制御が限定的^です。トランスフォーマーベースおよびハイブリッドディープラーニングモデルは最近PM_2.5やAQI予測²¹を改善しましたが、それらの貢献はしばしば時間表象学習²²、空間グラフ構築²³、モデル融合²⁴、または最適化に集中しています。多くのモデルは利用可能な多変量入力セットを直接利用し、主な学習負担を^{シーケンスモデルに}置いています。これにより入力の冗長性が増し、解釈性が低下し、時間モデル、特徴スクリーニング、外部環境指標、注意に基づく重み付けのいずれかから改善が生まれるのかを特定するのが難しくなります。したがって、CORTA-Netは新しい独立したニューラルネットワーク^{レイヤー26}ではなく、ワークフローレベルの予測フレームワークとして位置づけられています。その特徴は、シーケンスモデリング前のCorrXGBoost-Rank特徴スクリーニング、時間的適応のための移転学習LSTM符号化、エピソード的バイオマス燃焼影響のためのMODIS由来の火災カウント包含、特徴および時間ステップレベルのモデル行動解釈のためのマルチヘッドアテンションの4段階の秩序統合にあります。この設計により、同じデリー監視局設定²⁷の下で、予測精度と選択された汚染物質、気象学的、時間的、火災活動変数の寄与の両方を評価することが可能となります。

近年の大気質予測の進展では、ハイブリッドなディープラーニングモデル、注意メカニズム、グラフベース学習²⁸、トランスフォーマーアーキテクチャが用いられ、非線形的時間的・空間的依存^関係を捉えることが増えています。これらの手法は、より長期的な依存関係を学び、時間ステップや入力変数に適応的な重みを割り当てることで予測性能を向上させ^ました。しかし、多くの近年モデルは依然として大量の入力特徴セットに依存し、時間的モデリング前に冗長な予測変数を明示的に減らしておらず、エピソード的なバイオマス燃焼効果が重要な場合に外部火災活動指標を含まない場合があります。CORTA-Netは、特徴スクリーニング、移移学習LSTM符号化、MODIS由来の火力カウント統合、複数ヘッド注意を単一の予測ワークフローに組み合わせることで、このギャップを埋めています。

本研究では、CORTA-Netを新たなニューラルネットワーク層としてではなく、再現可能なハイブリッドPM_2.5 予測パイプラインとして提示しています。このフレームワークは、CorrXGBoost-Rankの特徴選択、移移学習に基づくLSTM時間符号化、MODIS由来の火種カウント統合、そしてマルチヘッド注意ベースのモデル行動分析の4段階を組み合わせています。CorrXGBoost-Rankはまず冗長な汚染物質および気象変数を削減し、その後シーケンスモデリングを行います。選ばれた特徴はスライディングウィンドウシーケンスに整理され、トランスファーラーニングLSTMエンコーダで処理されます。MODISの火災カウント変数は地域火災活動の外部指標として含まれ、マルチヘッドアテンションレイヤーを用いて、最近の時間ステップや入力変数が予報に最も強く寄与しているかを調べます。このフレームワークは、少なくとも1つの監視ステーションから連続的なPM_2.5 観測が得られる環境、できれば数年分の時間単位のデータを含む環境に適しています。また、地域のバイオマス燃焼影響が関係する場合には、気象観測や衛星由来の火災カウント情報の恩恵を受けています。したがって、CORTA-Netはデータ豊富な都市の大気質予報環境を想定しており、モニタリング記録がまばらで不規則、または短期間の記録がある場所には適さない場合があります。

デリーはモンスーン後および冬季期に繰り返し高いPM₂.₅レベルを経験するため、研究地域に選ばれ^ました。この都市は交通、工業活動、住宅排出、気象の停滞、地域的な農業焼失の影響を受けています。この調査では4つの監視所が使用されました:ドワルカセクター8、アナンドヴィハール、ムンドカ-DPCC、ソニアヴィハールです。各駅は住宅地、交通影響地域、工業効果のある地域など、異なるタイプの都市マイクロ環境を表しています。2012年から2024年までの各モニタリングステーションからの観測データは 補足図1に示されています。モデルのトレーニングは2015年から2022年のデータで行われ、2023年のデータでモデル開発およびモデル検証のテストが行われました。³² は2024年に収集されたデータを基に行われました。入力として使用された変数にはPM_2.5、PM₁₀、NO、_NO2、NOx、CO、ベンゼン、空気温度、風速、太陽放射、気圧が含まれ、サイト³³で利用可能なものから決定されました。MODIS由来の火災カウントデータは、その地域の火災活動レベルを代表する外部変数として使用されました。 表1は 、4つのモニタリングステーションそれぞれのPM₂.₅濃度統計の概要を示しています。

データセット	駅名	平均	性病	ミン	25%	50%	75%	マックス
1	ドワルカ・セクター8	98.24	79.12	7.52	38.65	70.83	133.47	588.15
2	アナンド・ヴィハール	115.87	89.42	8.91	49.28	84.36	152.89	574.92
3	ムンドカ-DPCC	113.62	91.05	4.21	43.58	86.74	158.42	682.31
4	ソニア・ヴィハール	101.35	80.25	5.80	42.15	75.60	138.75	565.40

表1:デリーの4つのモニタリングステーションにおけるPM₂濃度の要約統計。 表1はデリーの4台のモニターで測定された平均PM2.5(微細粒子状物質)レベルを示しています。PM_2.5 は直径2.5ミクロン未満の空気中の汚染物質で構成されており、そのため肺の奥深くに簡単に吸入できるほど小さく、さまざまな健康リスクを生じさせます。

プロトコル

方法論
監督付きスライディングウィンドウモデルを構築し、以前の時間観測からt+1時刻のPM_2.5 値を予測しました。12時間、24時間、48時間ステップの候補入力ウィンドウが検証性能で評価され、最終的なCORTA-Net構成では24時間の入力シーケンスが用いられました。線形補間は欠損値を埋めるために用いられました。外れ値はIQR法で除去されました。すべての変数は最小最大正規化を用いてスケーリングされ、遅延PM_2.5 特徴量を生成しました。その後、特徴選択にはCorrXGBoost-Rank手順が適用されました。まず、ピアソン相関フィルタリングで|r|≥ 0.30。第二に、ペアワイズ相関を持つ高度に冗長な特徴対 |corr(x_i, x_j)|≥0.85は多重共線性を減らすためにフィルタリングされました。第三に、残りの変数に対してXGBoost回帰計を訓練し、XGBoostゲインベースの重要度スコアが0.015≥の予測変数を最終モデル入力として保持しました。最終的なCORTA-Netアーキテクチャは、時間符号化のための積層されたLSTM層、特徴量および時間ステップレベルの重み付けのためのマルチヘッドアテンション層、PM_2.5 推定のための密度回帰層で構成されていました。モデルは平均二乗誤差損失と早期停止を伴うアダム最適化器を用いて訓練されました。モデル評価は、訓練、検証、テスト、10分割クロス検証のパーティションでRMSEおよびR² を用いて実施されました。 表2 はデータの前処理および特徴量エンジニアリングの概要を表しています。

ステップ	使用方法	パラメータ / しきい値	目的
欠損計算	観測が欠落する割合	変数ごとのレポート割合	データの完全性を定量化します
ショートギャップ補欠	線形補間	差の長さ≤6時間	短い欠損区間を埋めます
外れ値検出	IQR法	Q1 − 1.5 × IQR、Q3 + 1.5 × IQR	無効な極値の除去
正規化	最小最大スケーリング	トレーニングセットの最小・最大	機能範囲の標準化
PM₂.₅ の遅延	遅延変数	lag₁, lag₂, lag₃	時間的持続性を捉える
ローリング統計	移動平均線	3時間、6時間、12時間、24時間	短期蓄積を捉える
発射カウント機能	モディス・ファイアカウント	当日/前日カウント	地域的な火災の影響を表しています

表2:データ前処理および特徴量エンジニアリングの概要。 表2では、データ処理は2つの方法で行われます。第一に生データのクリーニングと変換(前処理)、もう一つは特徴量エンジニアリングによる特徴の作成・選択・修正(特徴)です。これら2つのプロセスは一体として、ノイズの除去や低減に役立ちます。欠損値を処理します。データの一貫性を向上させること。そして、より予測的なモデルを作り出すこと。

正規化パラメータは訓練セットからのみ推定され、情報漏洩を防ぐためにテストセットや検証セットに変更せずに適用されました。

CorrXGBoostランクの数学的定式化
X = {x₁, x₂, ..., x_n} を候補入力変数の集合、y を目標 PM₂.₅ 濃度とします。各特徴 x_i に対して、ターゲット変数とのピアソン相関係数は次のように計算されました。

(1)

ここでcov(x_i, y)は特徴量X_、i とターゲットYの共分散であり、σx、_i 、σyは標準偏差です。保持された特徴は満足:|r_i|≥ τ_r であり、この研究では τ_r = 0.30。

保持されたすべての_i, x_j, および |corr(x_i, x_j)| の保持features_x 間でペアワイズ相関が計算されました。>= τ_赤(τ_red = 0.85)では、PM_2.5 目標に対する絶対相関が低い特徴は特徴セットから除外されます。この過程は、多重共線性を持つ特徴セットの変数を削減します。その後、残りの特徴にXGBoost回帰モデルを当てはめ、XGBoostの重要度を用いて各特徴量の重要度スコアを計算しました。i_i ≥_{τ xgb} = 0.015を満たす特徴は、最終的な特徴セット(S)に保持され、SはS_final=_{S corr} ∪_{S xgb}として定義されました。すなわち、相関に関する冗長性をフィルタリングし、XGBoost変数の重要度に基づく特徴を除外して定義された特徴セットです。 特徴選択における全体的なアプローチは次の通りです:特徴目標のペアワイズPearson相関を計算し、|r_i|< 0.30の特徴を破棄し、ペアワイズ相関が0.85≥を持つペアの特徴を破棄し、XGBoostを残された特徴に当てはめる、XGBoost重要度スコア≥0.015の特徴を保持し、最終的な望ましい特徴を定義します。_S、final=S_corr、∪S_xgbを定義します。 ここで、S_corrは冗長相関フィルタリング後に保持される特徴、S_xgbはXGBoost特徴重要度スコアで選択された特徴です。したがって、CorrXGBoost-Rankのワークフローは次の通りです:特徴-ターゲットPearson相関を計算し、|r_i|0.30<、ペアワイズ相関が0.85≥の高い重複性を持つ特徴を削除し、残りの変数でXGBoostを訓練し、XGBoost重要度スコア≥0.015の変数を保持し、相関選択変数とXGBoost選択変数の和集合を最終機能セットとして使用します。この研究で用いられたパラメータは、τ_r = 0.30、τ_red = 0.85、τ_xgb = 0.015です。

データソース
著者らは研究のために3つの大規模なデータセットを統合しました。これらは、著者がCPCB(中央汚染管理委員会)/DPCC(デリー汚染管理委員会)を通じて大気質の監視、インド気象局(IMD)からの気象データ(温度、湿度、風速・風向・気圧)、NASAのMODISアクティブファイア製品による活発火災に関する衛星情報など、大気汚染物質(_PM2.5、_PM10、NO2、CO、SO₂)に関するデータです。これら3つのデータセットは2012年1月から2023年12月までの12年間を対象としており、異なる種類の排出を表しています。火災事故は大気汚染に寄与しており、補足図2は2012年から2024年までのFIRECOUNTの傾向を示しています。

研究期間中の汚染物質の長期的な傾向
図1は、研究期間(2012–2024年)における汚染物質の長期的な傾向を示しています。2012年から2024年までの年間火災カウントと平均PM₂.₅濃度は中程度の強い正の関係(r = 0.688)を持ち、火災活動の増加は通常PM₂濃度の増加に関連しています。測定データと予測されたPM₂.₅データの両方が同様の傾向を示し、バイオマス燃焼が粒子状汚染に寄与するという考えを支持しています。年次変動は大きいものの、火災関連の排出はPM₂.₅の変動を決定する重要な要因であり、地域的な火災管理の必要性を強調しています。補足図3に示された30ラグでの予測PM_2.5の自己相関は、ほぼすべてのラグでかなりの正の自己相関を示し、デリーのPM_2.5が強い時間的依存性と数日間持続性を持つことを裏付けています。

図1: 2012年から2024年までの長期PM₂.₅および火災カウントの傾向。 図1は、年間火災カウントの変動と観測および予測されたPM₂.₅濃度を比較しています。PM₂.₅はμg^/m3単位で報告されています。FIRECOUNTはMODIS製品からの衛星由来の火災活動を表しています。 この図の拡大版はこちらをクリックしてご覧ください。

STL(ロースを用いた季節およびトレンド分解)分解
STL(ロースを用いた季節およびトレンド分解)は、時系列データを図 2に示すように3つの加算成分に分解できる反復アルゴリズムです:トレンド(長期トレンド)(図2A)、(図2D)、(図2G)、(図2J)、季節(周期)(図2B)、(図2E)、(図2H)、(図2K)、および余り(ノイズ/残差)(図2C)。 (図2F)、(図2I)、(図2L)。STLは、季節信号の振幅変動や外れ値の存在により多くの他の解析手法が失敗してきた環境データの複雑な非線形特性(_PM2.5など)に成功していることが証明されています。LOESS平滑化により、これらの成分を正確に分離でき、傾向やパターンの解釈がより明確になります。STL処理により、PM_2.5 の広範な上昇トレンドを短い日周期/季節周期およびそれらの周期内の不規則残差から分離することが可能です。この分離により、PM_2.5に影響を与えた排出物を特定し、気象要因がPM_2.5に影響を与えたものを特定できます。この分離の結果は、将来のPM_2.5 排出量の正確な予測に役立ちます。規制上の意思決定のためのデータを提供すること。そして、大気^{質調査のための}厳密な時系列データの細分化基準に準拠しています。2012年から2024年にかけてデリーのモニタリングステーションで実施された平均PM_2.5 濃度測定では、全体的にPM_2.5 レベルの変化は最小限(すなわち2022–24年からの有意な変化なし)であり、4つのモニタリング地点間でPM_2.5 レベルの一貫性も極めて限定的でした。ドワルカセクター8およびムンドカ-DPCCのPM_2.5 レベルは持続的な下降傾向(すなわち減少を続けている)を示している一方、アナンド・ヴィハールは上昇傾向(大幅に上昇)、ソニア・ヴィハールはわずかな上昇傾向(2022年以降のごくわずかな上昇から)見られます。さらに、4つの観測所それぞれの日次PM_2.5 濃度の残差は、PM_2.5 濃度が季節(気象)変化に強く影響されており、個々の観測所の平均PM_2.5 濃度に大きな変動が生じていることを示しました。デリーの4つの監視所(2012–2024年)の日次PM_2.5 濃度は 図2に示されています。

図2:2022年から2024年までのデリーの4つのモニタリングステーションにおける日次PM₂濃度のSTL(Loessを用いた季節および傾向分解)。 各監視局の時系列は、長期トレンド、季節変動、残差(残差)の3つの加算要素に分解されます。(A) ドワルカセクター8のトレンド要素。(B) ドワルカ・セクター8の季節的要素。(C) ドワルカ・セクター8の残留成分。(D) アナンド・ヴィハールのトレンド要素。(E) アナンド・ヴィハールの季節的な要素。(F)アナンド・ヴィハールの残留成分。(G)ムンドカ-DPCCのトレンド成分。(H) ムンドカ-DPCCの季節的要素。(I) ムンドカ-DPCCの残留成分。(J) ソニア・ヴィハールのトレンドコンポーネント。(K) ソニア・ヴィハールの季節的な要素。(L) ソニア・ヴィハールの残留成分。ロースを使ったSTL、季節分解、トレンド分解。 この図の拡大版はこちらをクリックしてご覧ください。

図2 は、2022年から2024年にかけて4つの都市モニタリング地点における1日PM2.5濃度の時間的分解を示しており、長期的な減少、徐々の増加、大きな日周期変動のパターンを明らかにしています。これらの違いは主に天候の物理的影響、すなわち惑星境界層(PBL)の高さの変化(昼間の膨張による垂直拡散の増加と濃度の低下、夜間の収縮により汚染物質が地表近くに残り夜間にピークが高まるなど)に起因します。その他の気象学的影響は、最も多くの時間帯(朝夕のピーク)、産業、そして局所特有の変化や全体的な長期的減少を生み出す場所特有の要因(例えば冬季の相関の大きさ)に関連する地域特有の要因からの影響です。 その結果、全体的に下降傾向につながっています。

特徴間の相関
図3 はCORTA-Netモデルで使用されるすべての入力特徴の分布を示しています。パネルでは、汚染物質変数(_PM10 (図3A)、NO₂(図3B)、一酸化炭素(図3C)、SO₂(図3D))は都市の大気質データに典型的な右偏り分布を示し、O₃(図3E)と圧力(図3I)はほぼ正規パターン³⁵を示します。気温(図3F)は明確な二峰性の季節構造を示し、湿度(図3G)は広く均一な分布を示し、風速(図3H)はライトテール分布を示します。これらのパターンは、予測変数の統計的挙動が異様であることを浮き彫りにし、モデルトレーニング前の特徴工学と正規化の必要性を正当化しています。

図3:CORTA-Netモデルで使用される入力特徴の分布(大気汚染物質濃度や気象変数を含む)。 分布は、前処理およびモデルトレーニング前の予測変数の統計的特徴を示しています。(A) PM₁₀濃度。(B)NO₂濃度。(C)一酸化炭素濃度。(D) SO₂濃度。(E) O₃濃度。(F)気温。(G)相対湿度。(H)風速。(I) 大気圧。汚染物質変数、特にPM₁₀、NO₂、CO、SO₂は都市部の大気質データに典型的な右傾分布を示しますが、O₃と大気圧はおおよそ正規分布を示します。気温は二峰性の季節パターンを示し、湿度は広く分布し、風速は低い値に集中し、ライトテール分布を示します。これらの異種特徴分布は、モデル開発前の特徴工学と正規化の利用を支援します。 この図の拡大版はこちらをクリックしてご覧ください。

図4 は、PM₂.₅予測のためのCorrXGBoost-Rank前処理後のXGBoostゲインに基づく特徴重要度ランキングを示しています。現在の特徴重要度プロットでは、前日PM₂.₅が最も高い順位の予測変数で重要度スコア0.280、次いで_PM10 = 0.180、FIRECOUNT = 0.150、NO₂ = 0.120、CO = 0.080、風速 = 0.070、気温 = 0.040、湿度 = 0.030、年 = 0.020 が続きます。縦線は実際のXGBoost機能選択閾値0.015を表しています。重要度スコアが0.015以上の予測変数は最終的なCORTA-Net入力セットに残され、SO₂=0.010、O₃=0.010、気圧=0.005、降雨=0.005、週末=0.002、祝日=0.001などの予測変数は除外されました。これらの値はXGBoostゲインに基づく特徴重要度スコアを表しており、ピアソン相関係数や因果効果として解釈すべきではありません。

したがって、この閾値を超えて寄与した特徴のみがモデルに含まれました。XGBoostモデルは決定木のアンサンブルを用い、損失関数を最小化するために反復的に木を構築します(勾配ブースティング)。XGBoostは特徴の重要性を3つの指標のいずれかで計算します:ゲイン(特徴の分割がモデルのパフォーマンスをどれだけ向上させるか)、重み(特徴が木の分割として選ばれた回数)、または被覆(分割によって影響を受ける観測数)です。XGBoostモデルは大気質(汚染物質、気象変数)に関連するデータに基づいて構築されており、遅れたPM_2.5 からPM_2.5の自動回帰予測に重点を置いています。これはデリーのPM_2.5 モデルでよく見られるもので、PM_2.5の時間的持続を捉えるのに役立ちます。Delhi_PM_2.5 は微細粒子の高い自己相関特性から重要な寄与者であり、これらは一貫した排出源からの汚染慣性の存在も示しています。風速は汚染物質の拡散のメカニズムを提供するため、重要な要因です。一方、弱風は逆転現象が起きる冬季に汚染物質が蓄積しやすいのです。_NO2 は交通量や排出量によりPM_2.5 と相関し、日付は汚染物質の年間排出サイクル(すなわち週末の排出量が少ない)を示します。デリーでは、PM_2.5 は冬の気象が停滞し、車両、産業、^{バイオマスからの}継続的な排出により高い自己持続性を持っています。風はエアロゾルの拡散を助けますが、2 m/s<弱い風が逆転によるPM_2.5 の蓄積に寄与しました。_NO2 と_PM2.5 の関係は、共通の起源(燃焼)によるものであり、時間的な影響(例:日次と週次)に影響を受けます³⁶。AQIの変動の93%以上を説明する主な要因は、PM_2.5 の蓄積遅延による汚染物質濃度の変動(93%+)や低風速による排出物の捕捉、車両や産業からの_NO2/PM排出、そして日々^の交通量の変動です。さらに、デリーの地理的条件はこの地域での逆転現象の持続に寄与しており、_PM2.5 濃度を悪化させています。ハイパーパラメータの調整、正則化、温度などの追加変数の追加は、過学習の可能性を抑え、モデル全体の性能を向上させるのに役立ちます。PM排出量削減のための運用戦略の実施には、PM排出量の日々の制限設定、PMの存在をリアルタイムで監視する装置の使用、風力を利用してPMを都市の緑地に拡散させることが含まれます。

図4: PM₂.₅予測のためのCorrXGBoost-Rank特徴スクリーニング後のXGBoostゲインに基づく特徴重要度ランキング。 予測バーは重要度の降順に並べられています。縦線は実際のXGBoost機能選択閾値0.015を表しています。スコア0.015≥の予測変数は最終的なCORTA-Net入力セットで保持し、この閾値以下の予測変数は除外しました。このランキングは特徴スクリーニングやモデル行動の解釈に用いられ、因果的な帰属として解釈すべきではありません。 この図の拡大版はこちらをクリックしてご覧ください。

CORTA-netモデルアーキテクチャ
図5 は提案されたPM_2.5 予測フレームワークを示しています。 補足図4 および 図5 はLSTMユニットの内部配置とマルチヘッドアテンションブロック図の表現を示しています。すべてのデータソース(すなわち、環境条件、気象観測、火災活動、および時間的および文脈的側面)は、時間的に一致し、欠落データを(必要に応じて)帰属化し、モデル構築プロセスで使用する前に外れ値除去と正規化の両方を経て、事前処理を経ています。モデルのアーキテクチャ、特徴工学、訓練構成、データ構成、転移学習、評価指標、将来予測、実装の詳細は 補足表1に示されています。CorrXGBoost-Rankモジュールを活用し、最適な特徴セットをLSTMアーキテクチャに入力する前に決定します。LSTMは、モデリング段階における時系列挙動を考慮するためにマルチヘッドアテンションレイヤーの導入によって強化されています。PM_2.5 の予測とPM_2.5 の特徴の重要度、さらに複数のヘッドの注意重みを注意力マップとして出力として提供しました。内部LSTMユニット構造とマルチヘッド注意ブロック図はそれぞれ 補足図4および図5として含まれており、 補足表1 はこのアーキテクチャ内の各層タイプのアーキテクチャパラメータを示しています。

図5:CORTA-Net PM₂.₅予測モデルの全体アーキテクチャ。入力予報プロセスには、大気質指標、気象指標、時間指標、MODIS(中解像度イメージング分光計)火災カウント指標からの入力が含まれます。これらの各ステップで、アルゴリズムはタイムスタンプのアラインメント、欠損値の処理、外れ値のフィルタリング、データの正規化、特徴の設計を行いました。最終的な予測変数はCorrXGBoost-Rankプロセスを用いて選定されました。その後、選ばれた特徴は時間順序のスライディングウィンドウに配置され、LSTM(Long Short-Term Memory)エンコーダに転送学習を用いて処理されました。各特徴量とタイムステップごとに、マルチヘッドアテンション機構は重みを適用し、最終的な回帰密度層に出力を送ってPM₂.₅予測を生成します。この図の拡大版はこちらをクリックしてご覧ください。

研修と評価
スライディングウィンドウ方式を用いて教師あり学習シーケンスを形成しました。トレーニングではアダム最適化器と平均二乗誤差損失を用いました(補足表2)。モデル性能は、訓練、検証、テスト、クロスバリデーションの各パーティションでRMSEおよびR² を用いて評価されました。モデルのアーキテクチャ、特徴量エンジニアリング、トレーニング構成、データ構成、転移学習、評価指標、将来予測、実装詳細は 補足表1にまとめられています。 図6 はCORTA-Net PM₂.₅予測モデルの訓練診断を示しています。パネルでは、 図6A はトレーニングおよび検証損失曲線を示し、エラーが段階的に減少し、最適な停止はエポック106で行われます。過フィット解析の評価における一般化ギャップの進化は 、図6Bの検証データと訓練データ間の乖離によって示されています。特に、発散があらかじめ定められた限界を超える期間を示します。この情報は、学習率の挙動と損失削減パターンが、 臨界エポックにおける計画的学習率(LR)減衰が収束安定性を高める手段として有効であることを示す証拠を提供します。これらの図は、学習のダイナミクス、一般化能力、推奨されるトレーニング構成の概要を示しています。

図6:CORTA-Net PM₂.₅予測モデルの訓練診断。(A) モデル訓練中の誤差が段階的に減少し、検証性能に基づくエポック106で早期停止を示す訓練および検証損失曲線。(B) エポックをまたぐ訓練損失と検証損失の一般化ギャップを示し、モデルの一般化の進化と潜在的な過学習を示す発散増加の期間を示しています。(C) 学習率スケジュール:学習率の減衰が訓練中の最適化に与える影響を示す。(D) モデル収束挙動の概要、安定した最適化の実証、そしてCORTA-Netモデルで選択された最終的な訓練構成。これらの診断を合わせることで、モデルのダイナミクス、収束特性、訓練中の一般化性能が示されます。この図の拡大版はこちらをクリックしてご覧ください。

結果

特徴選択と予測結果
CorrXGBoost-Rank手順では、遅れたPM₂.₅、風速、湿度、気温、時間指標、MODIS由来の火災カウントを大気質の重要な予測因子として選定しました。これらの各変数は、汚染の持続性、気象条件による拡散、季節ごとの汚染レベルの違い、火災による地域的影響を考慮しています。不要な入力次元を減らすために、シーケンスモデリングの前に冗長な変数が除去されました。CORTA-Netは平均絶対誤差、平方根誤差、決定係数を用いて評価されました。デリーのデイリーデータセットでは、RMSE = 3.19、R² = 0.983を達成しました。Daily Delhi気候トレーニング分割では、RMSE = 4.98、R² = 0.845を達成しました。ターゲットテストセットの散乱解析では、観測および予測されたPM₂.₅値がPearson r = 0.942、R² = 0.873を示しました。これらの値は異なる評価区画を指しており、モデル全体の結果として交換可能なものとして扱うべきではありません。

図7 は現在、テストデータにおけるCORTA-Netテスト性能の単一の統合された視覚的表現として使われています。時系列セクションでは、評価期間を通じてテストデータセット上の実際のPM 2.5レベルと予測されるPM_2.5 レベルの間に優れた相関関係があることが示されており、ディワリのような断続的な高汚染イベントや作物残渣の焼却イベントも含まれます。これを裏付けるために、散布図は実際の値と予測値の間に強い線形相関があることを示しており(Pearsonのr = 0.942、R² = 0.873)、非常に高い予測精度を示しています。

予測の成績
残差プロットは誤差がほぼゼロ前後で正規分布しており、極端な汚染の急増時にはごくわずかな誤差が見られます。これはCORTA-Netモデルにおける統計的な堅牢性とバイアスの欠如を強く支持しました。CORTA-Netは、デイリー・デリー・クライメイト・トレインデータセットでRMSEが3.19、^R2 が0.983、デイリー・デリー・クライメイト・トレイン・データセットでRMSEが4.98、^R2 が0.844であることを示しました。これらの測定は上記の証拠と組み合わせて、CORTA-NetがPM_2.5 レベルの徐々な傾向と急激な偏差の両方を正確にモデル化していることを確認しました。

PM_2.5 濃度の予測精度は、モデルのPM_2.5 濃度予測の時間検証精度の時間ベース評価、予測値と実際のPM_2.5 濃度の時間基準相関、統計解析に基づく誤差評価の3つの方法で評価されました。PM_2.5 とPM_2.5 の時間的予測値を比較した時間的評価(図7A)では、実際に測定されたPM_2.5 濃度とモデル予測PM_2.5 濃度との時間的関係を示し、この期間中に発生した重要なPM_2.5 の発生(例:ディワリ祭りや無精ひげ焼きの時期)が示されました。モデル予測PM_2.5 濃度と測定されたPM_2.5 濃度の相関は非常に高い証拠を示しており(Pearson r = 0.942、R2 = 0.873)、予測PM_2.5 濃度と実際の測定濃度との間に非常に強い一致があり、PP-FRCモデルがPM_2.5 濃度の正確かつ信頼できる予測因子であることを示しています(図7B)。残差の尖峰分布(図7C)は時間経過で誤差が小さく、孤立した高誤差日が見られ、残差分布はほぼ正規(図7D)で、平均誤差と中央値残差誤差は非常にゼロに近いため、モデルの予測誤差が偏らず統計的に良好であることを示しました。

図7:独立テストデータセットにおけるCORTA-Netモデルの予測性能。PM₂.₅濃度はμg/m単位で報告されます。(A) 観測されたPM₂濃度と予測されたPM₂.₅濃度の時間的比較により、主要な汚染エピソード時を含め、測定値とモデル予測値の密接な一致が示されました。(B) 予測値と観測されたPM₂.₅濃度の散布図で、強い予測性能を示す(Pearson r = 0.942;R² = 0.873)です。(C) 試験期間中の残差(予測誤差)の時間的分布。一般的に小さな誤差と高誤差事象の個数が限られていることを示す。(D) 残差分布:ほぼ正規分布がゼロ近くを中心に、平均および中央値残差がゼロに近いため、バイアスなく良好な予測誤差を示します。この図の拡大版はこちらをクリックしてご覧ください。

図7 はターゲットテストセットにおけるCORTA-Netの予測性能を示しています。時系列プロットは、観測値と予測値のPM₂.₅値の一致を示し、粒子濃度が上昇した期間も含まれます。散乱図は、予測値と観測されたPM_2.5 値の関連を示しました。残差プロットでは、ほとんどの予測誤差がゼロ付近に集中し、高汚染のエピソードではより大きな偏差が見られました。

クロスバリデーション
10倍のクロスバリデーションでは、フォールド間での分散が限定的であり、非定常大気条件下での堅牢性が示されました。このモデルは強力な予測能力を示しました。予測されるPM₂.₅値は観測値とほぼ一致しています。残差はバイアスが最小限で、近似正規性を示しました。 図8 は、RMSE、MAE(平均絶対誤差)、R2(決定係数)を用いて10方向クロスバリデーションを行い、多くの条件および時間をかけたモデルのパフォーマンスの概要を示しました。 図8A および 図8Bのパネルでは、RMSEとMAEはすべてのクロス検証トレーニング・検証ギャップで低い変動を示し、安定した予測精度を示しました。パネル 図8C は、すべての交差検証において一貫して高いR² 値(トレーニングで~0.92、検証で~0.89)を示しており、モデルが異なる交差検証間で高い説明力を持ち、モデル内分散が非常に低いことを示しています。 図8D は、これらすべての指標における平均値に一般化ギャップがほとんどないことを示し、データの分割方法に関わらずモデルが一貫して良好な性能を発揮していることを示しました。

図8:10フォールドクロスバリデーションを用いたCORTA-Netモデルのフォールド別パフォーマンス。 性能は二乗平均平方根誤差(RMSE)、平均絶対誤差(MAE)、および決定係数(R²)を用いて評価されました。誤差バーは、該当する場合、フォールド間の標準偏差を表します。(A) トレーニングおよび検証データセットのフォールド別RMSE値で、すべてのフォールドで一貫して低い予測誤差を示すこと。(B) トレーニングおよび検証データセットの折りたたみ別MAE値。折りたたみ間で最小限の変動で安定した予測性能を示す。(C) トレーニングおよび検証データセットの折りたたみごとR2の値は、すべての交差検証折りで一貫して高い説明力を示す。(D) 平均性能指標とトレーニングデータセットと検証データセット間の一般化ギャップを示し、データ分割に関係なく一貫したモデル性能と良好な一般化を示すこと。この図の拡大版はこちらをクリックしてご覧ください。

注意に基づく解釈可能性
マルチヘッドアテンションを用いて、PM_2.5 の予測に最も強く寄与した最近の時間ステップや入力変数を調べました。一部の注目者はPM_2.5 の遅延による短期汚染物質記憶を重視し、他方では風速や湿度など分散に関連する気象変数により重きを置きました。また、地域的なバイオマス燃焼の影響と一致する汚染エピソードでは、火災カウント変数にも注目が集まりました。これらの注意マップは因果的な説明ではなく、モデルの行動の指標として解釈されるべきです。その結果、モデルは予測を作成する際に最近の汚染物質履歴と環境共変量の両方を用いていることを示唆しました。

モデル構成	特徴選択	転移学習	マルチヘッドアテンション	射撃カウント入力	RMSE ↓	MAE ↓	R² ↑
LSTMの基準	いいえ	いいえ	いいえ	いいえ	7.56	5.52	0.905
+ CorrXGBoostランク	はい	いいえ	いいえ	いいえ	4.24	3.10	0.970
+ 転移学習	はい	はい	いいえ	いいえ	3.89	2.84	0.975
+ マルチヘッドアテンション	はい	はい	はい	いいえ	3.48	2.54	0.980
フルCORTA-Net	はい	はい	はい	はい	3.19	2.33	0.983

表3:CORTA-Netの成分ごとのアブレーション解析。 表3は、システム内の各アーキテクチャ要素を、1つ以上のコンポーネントを削除または変更し、パフォーマンスの変化を測定することで評価しています。これにより、どのアーキテクチャコンポーネントが最も効果的かが示され、アーキテクチャ上の決定が確認され、各コンポーネントがどのように連携してネットワークの精度、堅牢性、効率性、全体的な効果性を高めているかを示します。

表3は CORTA-Netの成分ごとのアブレーション解析を示しています。LSTMのベースラインはRMSE = 7.56、MAE = 5.52、R² = 0.905となりました。CorrXGBoost-Rankの特徴選択を加えるとRMSEは4.24に低下し、冗長で関連性の低い予測変数を除去することで予測性能が向上しました。転移学習はさらにRMSEを3.89に低下させ、事前学習された時間的表現がモデルの安定性を向上させたことを示しました。マルチヘッドアテンションを用いることで、RMSEは3.48から3.19に低下し、^R2 の値は0.980から0.983に改善されました。これは、特徴量およびタイムステップレベルの重みをCORTA-Netモデルの他のコンポーネント(例:CorrXGBoostランク、Transfer Learning、Multi-Head Attention、MODISの火力カウント入力)と組み合わせて使用することで、時間的予測の大幅な向上を示しています。全体として、これらの改良は特徴選択、時間的転移学習、注意に基づくシーケンス重み付け、火災活動がCORTA-Netモデルの実装と性能に寄与していることを示しました。

特徴選択	時間的シーケンスモデリング	転移学習	注意に基づくモデル行動分析	火災活動の入力	比較における主な役割
明確なCorrXGBoostランクはありません	いいえ	いいえ	いいえ	いいえ	古典的非線形機械学習のベースライン
内部ツリーベースの重要度のみ	いいえ	いいえ	いいえ	いいえ	表形式予測変数の勾配ブーストベースライン
いいえ	はい	いいえ	いいえ	いいえ	再発側頭基線
いいえ	はい	いいえ	はい	いいえ	注意に基づく再発ベースライン
はい	はい	はい	はい	はい	提案されたハイブリッド予測フレームワーク

表4:CORTA-Netとベースライン予測モデルの主な違い。 表4は、現在予測に使用されているモデルがCORTA-Netであることを示しており、これにより時間的特徴の抽出や、重要なことに基づいて適応的に注意を得て時系列データセットから複雑な時間パターンを捉える技術が可能になりました。CORTA-Netは、従来のベースライン予測技術よりも高い全体的精度、堅牢性、一般化能力を生み出すために、多様な時間スケールを動的に関連付ける方法を学びました。

CORTA-Netの手法と比較ベースラインモデルの違いは 表4に示されています。Random ForestやXGBoostは非線形機械学習のベースライン手法を提供するために使用できますが、逐次依存関係の直接的なモデリングには適していません。LSTMは再発時間基準法として用いられ、Attention-LSTMは特徴を明示的にスクリーニングせずに注意に基づく重み付けを提供し、転移学習や火災活動の統合を用いました。これに対し、CORTA-Netは過去のベースラインの4つの側面を1つの予測パイプラインに組み込んでいます:(1) CorrXGBoost-Rankの特徴選択;(2) 転移学習型LSTMエンコーディング;(3) 多頭注意;(4)およびMODIS由来の火は入力データとしてカウントされます。

ベースライン比較
定量的なベースライン比較(平均フォールド差、標準誤差、95%信頼区間を別々に提供)に加え、著者らはCORTA-Netの注意メカニズムを通じて内部機能を評価しました。各入力特徴に割り当てられた注意の重み(時間ステップや複数の注意ヘッドによるもの)は図9に示されています。図9Aでは、グループはテストデータセットの一つに割り当てられた注意重みの代表的な分布を示しています。この図に示すように、特定の入力特徴(例:t-1、t-2、t-3のPM2.5)は他の予測変数よりも相対的な重みが低いものの、依然として最も高い注目度と重みを受けており、CORTA-Netが長期記憶依存よりも短期的時間依存により注意を払っていることを示しています。図9Bでは、研究者たちはデリーのPM_2.5予測におけるすべてのテストサンプルにおける入力特徴の相対的重要性を総合的に評価しています。遅延PM_2.5、風速、気温、火災カウントが最も重要な予測入力要素として特定されています。図9Cでは、著者らはCORTA-Netの複数ヘッド注意パターンを示しており、各ヘッドが入力特徴間の異なるながら補完的な時間的および/または特徴レベルの関係を捉え、入力特徴のより豊かな表現を学習できるようにしています。図9Dでは、_PM10に対する注意の時間的なステップの流れを示し、_PM10レベルに応じて注意がどのように変化するかを示しています。注意重みは、CORTA-Netが逐次提供された環境データの処理パターンや、各逐次提供特徴の優先順位付けを示す指標として解釈できますが、注意重みは因果関係の直接的な証拠を提供しません。しかし、CORTA-Netプロセスがどのように環境データを順次提供しているかについては、予測の解釈性が向上したため、その洞察は提供されていません(補足表3)。

図9:CORTA-Netモデルの挙動の注意に基づく可視化。 注意重みは、モデルが予測中に入力特徴や時間ステップ間で焦点をどのように分散させるかを示すために示されており、因果関係の証拠ではなくモデルの行動の指標として解釈されるべきです。(A) 入力特徴に割り当てられた注意重みと、個々の予測に関する最近の過去の観察結果を示す単一インスタンスの注意マップ。(B) テストデータセット全体の注意重みに基づく特徴重要度を集約し、各入力変数がPM₂.₅予測にどの程度寄与しているかを強調する。(C) 異なる注意ヘッドが補完的な特徴レベルおよび時間レベルの表象を捉えることを示す多ヘッドアテンションパターン。(D) 予測における歴史的タイムステップの相対的重要性を示す時間的注意分布。全体として、遅れたPM₂.₅、FIRECOUNT、風速(WDS)、湿度、気温が最も注目度が高く、モデルの予測過程で重要性を示しています。 この図の拡大版はこちらをクリックしてご覧ください。

補足図6A–Bは 、MAE、RMSE、R²を用いたCORTA-Netとベースラインモデルを比較しています。MAEとRMSE値が低いほど予測誤差が低く、^R2 が高いほど分散がより説明的であることを示しました。CORTA-Netは、同じ実験区分下で評価されたベースラインモデルよりも予測誤差が低いことを示しました。ただし、比較は選択されたデリー監視局データセットと同じ前処理パイプライン内で解釈されるべきです。 補足図7 は、報告された指標におけるCORTA-Netモデルとベースラインモデルの相対的な順位をまとめています。 補足図8は 、特徴選択、転移学習、時間的シーケンスモデリング、マルチヘッドアテンションなど、モデルのパフォーマンスに寄与する主な要素を示しています。

CORTA-Netの性能を一部のベースラインモデルと比較する評価は、 補足図7A–C でレーダーチャートを用いて行われており、この図はすべての測定領域(逆RMSE、逆MAE、^R2 値)で対応モデルより高く(または低く)測定した唯一のモデルを示しています。CORTA-Netは 補足図7Bで総合ランキングで最高位を獲得し、他のいくつかの指標でも上位にランクインしました。 補足図7C は、CORTA-Netが測定した複数のベースラインとの間の性能向上を示しており、本研究のベースラインと比較して大幅な向上を示しています。最も顕著な改善はRMSE(22.8%)で、次いでMAE(24.1%)および^R2 値(各結果の分散を説明するために39.3%から72.2%の増加)が続きます。CORTA-Netの要約ボックスは、その強みの概要を示しています。これには、重要性を評価するための多頭的な注意の適用、将来の汚染物質を予測するためのセンサーデータの時間的融合、汚染事象(例えば激しい嵐)の変化に対する耐性、そしてクロスファンクショナルな環境での成功指標における一貫したパフォーマンスが含まれます。CORTA-Netは、その予測能力に基づき、他のすべての現行ディープラーニングモデルを上回る性能を発揮しています。

データの利用可能性:
本研究の大気質に関するデータは、利用可能な場合は中央汚染管理委員会およびデリー汚染管理委員会による公開監視から得られています。気象データはインド気象局の記録または対応する公共気象情報源から取得されました。衛星由来の火災カウントデータはMODISのアクティブファイア製品から派生されました。報告書の場合、処理済みデータセット、選択された特徴リスト、正規化パラメータ、報告実験を再現するために必要なコードは、論文リポジトリリンク https://github.com/saravagnamahasiva/CORTA-Net から入手可能です 。 この論文は、データソース、前処理ステップ、特徴選択の閾値、モデルコンポーネント、評価区画、報告された指標の明確な特定を通じて再現性を強調しています。モデルは、訓練、テスト、検証の各分割で評価されます。前処理パラメータは訓練データから導き出され、テストデータおよび検証データの両方に適用されました。結果はそれぞれの区分に特有の発見として提供され、より一般的な主張は避けられます。

補足図1:デリーの調査区域地図。 デリーの調査区域地図で、本研究に含まれる4つの大気質モニタリングステーション(ドワルカセクター8、アナンドヴィハール、ムンドカDPCC、ソニアヴィハール)の位置を示しており、PM₂.₅のデータ収集とモデル開発に用いられています。このファイルをダウンロードするには、こちらをクリックしてください。

補足図2:年間FIRECOUNTの傾向(2012–2024年)。 火災事故は大気汚染に寄与しており、2012年から2024年のFIRECOUNTの傾向が示しています。このファイルをダウンロードするには、こちらをクリックしてください。

補足図3:時間ごとのPM₂.₅の自己相関関数(ACF)プロット。30ラグでの予測_PM2.5の自己相関はほぼすべてのラグで強い正の自己相関を示し、デリーのPM2.5が強い時間依存性と数日間持続性を示すことを裏付けています。このファイルをダウンロードするには、こちらをクリックしてください。

補足図4:LSTMユニットの内部構造。LSTM(長短期記憶)ネットワークは、専用セル状態をメモリコンベヤーベルトとして機能させる情報フローを制御することで、標準的なリカレントニューラルネットワーク(RNN)の長期依存問題を解決します。このファイルをダウンロードするには、こちらをクリックしてください。

補足図5:多頭注意ブロック図。マルチヘッドアテンションは、入力を複数のヘッドに分割することで自己注意を拡張し、多様な関係性やパターンを捉えることを可能にします。このファイルをダウンロードするには、こちらをクリックしてください。

補足図6:CORTA-Netとベースライン予測モデルの総合性能比較。モデルの性能は平均絶対誤差(MAE)、平均二乗平方根誤差(RMSE)、および決定係数(R²)を用いて評価されました。MAEやRMSE値が低いほど予測誤差が低く、R2値が高いほど分散がより説明がつきます。(A) MAE、RMSE、R²指標に基づく評価ベースラインモデルとCORTA-Netの比較性能。(B) 同じ実験データパーティション下での評価モデルの相対的な予測性能を強調する総合比較。CORTA-Netは評価されたベースラインモデルよりも低い予測誤差と高い説明性能を実現しました。このファイルをダウンロードするには、こちらをクリックしてください。

補足図7:複数の評価指標を用いたCORTA-Netおよびベースラインモデルの比較性能分析。(A) 反RMSE、逆MAE、R2に基づく正規化モデル性能を比較したレーダーチャートで、評価された指標全体におけるCORTA-Netの優位性を示す。(B) CORTA-Netのベースラインモデルに対する相対的な性能ランキング、一貫してトップランクにランクされていることを示す。(C) MAE、RMSE、R²の評価ベースラインモデルに比べてCORTA-Netの割合改善が見られ、予測精度および説明分散が大幅に向上したこと。(D) CORTA-Netの主要特徴の概要、特にマルチヘッドアテンションメカニズム、時間的特徴融合、汚染事象に対する堅牢性、そしてすべての評価指標における一貫した優れた予測性能を強調する。このファイルをダウンロードするには、こちらをクリックしてください。

補足図8: エポック間のトレーニングおよび検証損失の比較。 これは、過学習を最小限に抑えた進行的モデル収束と安定な一般化を示しています。このファイルをダウンロードするには、こちらをクリックしてください。

補足表1:提案されたCORTA-Netモデルのアーキテクチャ。 CORTA-Netアーキテクチャの概要、各ネットワークコンポーネント、層仕様、活性化関数、およびPM₂.₅予測に使用される訓練可能なパラメータの数を含む。このファイルをダウンロードするには、こちらをクリックしてください。

補足表2:提案されたCORTA-Netモデルのハイパーパラメータ設定および訓練構成。 アーキテクチャ設計、ハイパーパラメータ設定、トレーニング構成、特徴工学戦略、データ前処理、転移学習の設定、評価パラメータの概要です。このファイルをダウンロードするには、こちらをクリックしてください。

補足表3:提案モデルとベースライン予測手法のパフォーマンス比較。 RMSE、MAE、R²を用いて測定した特徴選択、注意メカニズム、転移学習、予測性能の観点から、従来の機械学習および深層学習モデルと提案されたフレームワークとの比較。このファイルをダウンロードするには、こちらをクリックしてください。

補足表4:過去のPM₂.₅予測研究と提案手法の比較。 代表的なPM₂.₅予測研究の概要であり、その手法、データセット、主要な入力特徴、火災活動の含み方、予測性能、解釈可能性、報告された制限、そして提案されたCORTA-Netフレームワークがこれらの制限にどのように対処しているかを明らかにします。このファイルをダウンロードするには、こちらをクリックしてください。

ディスカッション

CORTA-Netは3つの主要なコンポーネントを連続して組み合わせ、ハイブリッドアーキテクチャを形成します。CorrXGBoost-Rank:時間モデリングステージ³⁸の前に冗長な予測変数を排除するカスタマイズされた特徴選択コンポーネント。LSTMエンコーダ:スタックされたLSTMレイヤーを用いて、選択された24時間入力シーケンス³⁹における短期および長期の時間的依存関係をキャプチャします。マルチヘッド注意層:LSTM出力(関連する注意重み付き)に適用され、CORTA-Netハイブリッドシーケンスモデルの最終段階の一部として適用されます。最終出力の解釈性を高めつつ、主要なLSTMバックボーン⁴⁰の役割を置き換えることはありません。LSTMエンコーダは選択されたスライディングウィンドウシーケンスから時間的依存関係を学習します。CORTA-Netは、CorrXGBoost-Rankが冗長な予測変数を剪定するハイブリッドシーケンスモデリング手法を提供するよう設計されています。マルチヘッドアテンションレイヤーは、すべてのLSTM出力を加重付けして集約し、PM_2.5 の予測と関連するアテンションの重みの両方を生成します。CORTA-Netの3つの構成要素は純粋なトランスアーキテクチャとは大きく異なり、CORTA-NetはLSTM(再帰)ネットワークを用いてシーケンス学習をモデル化し、再帰ネットワークがシーケンシャル学習の主な基盤となり、注意は説明メカニズムとして機能します。

CORTA-Netフレームワークには主に4つの制限があります。まず、モデルの評価はデリー内のさまざまな監視ステーションに基づいていたため、異なる排出源、気候条件、監視密度・構成などの都市に性能が一般化できない可能性があります。第二に、衛星データからの火災カウントは火災変数の代理指標を提供しますが、火災強度、プルーム輸送、化学的変化の完全な表現を提供できない場合があります。第三に、単方向センサー、欠損データ、個々の監視ステーションや傾向のある監視ネットワークの変化が、時系列データの品質や信頼性に影響を与えることがあります。第四に、注意は情報提供はあるものの、因果関係を意味するわけではありません。さらなる評価には、他の独立都市でのCORTA-Netの使用や追加の監視ネットワークが必要となります。新技術を活用して地域大気汚染輸送の推定精度を向上させるために、研究者たちは交通意識型フレームワークを開発しました。このフレームワークは、気象およびリモートセンシングデータセットからの特徴抽出、データ品質管理、ほぼリアルタイムのデータ取り込み、不確実性推定、頻繁なモデル再キャリブレーション⁴¹などの追加データを統合しています。研究チームは、モデルトレーニングやパラメータ調整のための適応最適化器、既存データを活用して予測能力を向上させる移行学習、逐次時系列モデリング技術、注意ベースモデリング、モデル解釈可能性など、これらの課題に対応するための包括的な計算ツール群を開発しました。さらに、説明可能なAIをCORTA-Netフレームワークに統合することで、予測と大気汚染の主な要因に関する科学的知見を直接結びつけることが可能になります。例えば、説明可能なAIは、モンスーン後の火災活動が大気汚染の重要な要因であることを特定できます。モデル性能の相互検証(Delhi RMSE = 3.19、R² = 0.983)によりCORTA-Netの有効性が確認され、注意に基づくモデル出力の可視化では、意思決定者や公衆衛生実務者が関心を持つパターンが観察できることが示されています。最後に、火災カウントや制御されていない排出データをCORTA-Netフレームワークの入力として使用することは、迅速または監視が不十分な発生源の使用がCORTA-Netフレームワーク⁴²の実施を著しく妨げるため、結果の他地域への一般化を本質的に低下させます。

図10に示されたグラフィカルな表現は、意思決定者や研究者がPM₂.₅予測のために異なる手法で開発されたモデルやシステム間の関係を可視化するのに役立ちます。色分けバーはRMSE(短いバー=精度が高い)とR²(長いバー=変動が大きい)を表し、モデルはアプローチ(都市集約、ステーションごとの多変量系列)で整理されています。深さのグラフ表現は、単一のモデルがすべてのカテゴリーで予測可能に優れた性能を発揮することはないことを示しています。CORTA-Netは、都市部の高ノイズ、局所レベルのデータセットで同様のモデルを一貫して上回る性能を示し、MxConnectは空間的に粗いデータセットで一般的に優れた地域平均結果を示しており、分析対象データのスケール(すなわちデータセットの規模)、データセットの空間分解能(すなわち混雑程度)、データセット内のノイズレベル(すなわち 精度)または局所的分散。実質的に、CORTA-Netの独自性は、繰り返しの逐次注意機構に組み込まれた適応型特徴の重み付けを利用し、時間処理中に冗長な入力や高いランダムノイズを持つ入力を動的に重みを減らす点にあります。これは、現在使われている多くの手法とは異なり、適応的特徴の重み付けをカスタムの注意ベースのゲート設計に埋め込むことで実現されます。現在使われている多くの手法は、モデルを前処理ステップとして適用する前に静的なヒューリスティック手法(すなわち相関やPCA閾値)に大きく依存しています(図10A)。CORTA-Netで用いられるこの適応的で文脈に敏感な優先順位付け手法は、都市組織の局所的な動態に対してリアルタイムの調整を行う能力を提供し、グローバルに訓練されたデータセットを用いて設計されたより単純で単純なモデルでも、国レベルの平均で優れた予測結果が得られる可能性があります。図10Bに示された比較グラフィック表示は、モデルベンチマーキングの関係をまとめて示しており、研究者や意思決定者が特定の用途に応じたモデル選択の指針(すなわち、PM₂.₅の短期予測に関連する追加の研究分野を特定する可能性)を提供しています。

図10:CORTA-Netとベースライン予測モデルの予測性能の比較。モデルの性能は平均絶対誤差(MAE)、平均二乗平方根誤差(RMSE)、および決定係数(R²)を用いて評価されました。MAEおよびRMSE値が低いほど予測精度が高いことを示し、R2値が高いほど説明分散が大きいことを示します。(A) MAE、RMSE、R²に基づく評価モデルの比較性能を提供し、予測精度とモデル適合度の総合評価を提供します。(B) CORTA-Netおよびベンチマークアプローチの相対的な強みと限界を強調する、トップパフォーマンスモデルのパフォーマンス比較。全体として、比較はCORTA-Netの競争力を示しつつ、PM₂.₅予測のための異なるモデルアーキテクチャの直感的な評価を促進しています。この図の拡大版はこちらをクリックしてご覧ください。

比較の結果、CORTA-Netは独立したトランスアーキテクチャではなく、ハイブリッドPM₂.₅予測ワークフローであることが示されています(補足表4)。新しいトランスフォーマーアーキテクチャは長距離時間依存関係の学習に大きな能力を示しましたが、ハイブリッドなCNN-RNNおよびトランスフォーマー-LSTMアーキテクチャは、各ニューラルアーキテクチャの強みを活かして予測効率を高めます(表5参照)。CORTA-Netとは異なり、多くの既存のハイブリッドCNN-RNNおよびトランス-LSTMモデルは、時間的モデリング前に明示的な特徴スクリーニングを行うのではなく、シーケンスモデルで入力された全特徴セットから学習しています。一方、CORTA-Netは外部のMODIS火災カウントデータを活用してバイオマス燃焼の影響をモデル化しています。CORTA-Netは、各予測変数が累積予測因子の寄与に時間的関係でどのように影響するか(すなわち時間集計重み付け)を評価するために注意重みを用いており、その3つの異なる段階はすべてCORTA-Netに関連する総誤差に寄与しており、3つの要素を組み合わせた方が評価⁴³のデリー監視局データセットに対して最も低い誤差を得ました.まとめると、CORTA-Netの実務的な貢献は、短期PM₂.₅予測の4つの関連分野、すなわち特徴選択、時間的転移学習、外部火災活動の強化、注意に基づく解釈可能性を再現可能に統合することです。結果はモデルとデータソースごとにグループ化されています(ERA5の再解析をグローバルに多変数都市別都市まで)(図10)。研究者は各モデルのパフォーマンスが、各モデルのPM₂.₅濃度予測の全体的な良さに関わる8つの主要変数それぞれとどのように関連しているかを容易に比較できます。

主なモデルコンポーネント	報告された最良の数値結果	CORTA-Netとの大きな違い
線形成分にはARIMA、非線形成分にはCNN-LSTM、ハイパーパラメータ調整にはフンコロガシ最適化器	RMSE = 7.594、14.940、7.841、5.496;MAE = 5.285、10.839、5.120、3.770;R² = 4都市で0.989、0.962、0.953、0.953	強力なハイブリッドAQIモデルですが、AQIとモデル最適化に重点を置いています。明示的なCorrXGBoostランクスクリーニングやMODISの射撃カウント統合は含まれていません
トランスコーダ、BiLSTMデコーダ、SHAPベースの解釈	北京:RMSE = 3.0012、MAE = 1.7928、R² = 0.9694;天津:RMSE = 4.4785、MAE = 3.1614、R² = 0.9621;石家荘:RMSE = 5.1646、MAE = 3.4057、R² = 0.9324	長期および短期のAQI依存関係を捉えますが、主に汚染物質濃度データを使用し、MODISの火災カウント変数や事前シーケンスのCorrXGBoost-Rank削減は使用しません
LSTM(トランスフォーマー自己注意、パーティクルスウォーム最適化)	最適な季節設定:R² = 0.98745および0.95655(2都市);報告された低誤差値は、最適設定でMAE = 0.83363、RMSE = 1.0176	強力に最適化されたトランス-LSTMモデルですが、主な新規性は機能冗長性除去や火災活動増強ではなく、PSOベースの最適化にあります
コルモゴロフ・アーノルドネットワークのコンポーネントと地理的認識を含むCNN-LSTM	上海:RMSE = 1.9222、R² = 0.9832;北京:RMSE = 2.5213、基本LSTMよりRMSEが59.6%低い	強力な地理的認識型AQIモデルですが、デリーPM₂.₅の予報やバイオマス燃焼エピソードのMODIS火災カウント入力を具体的に扱っていません
グリッド探索最適化を用いた古典的機械学習回帰解析器	GBR: RMSE = 2.31;RF:MAE = 0.47、RMSE = 2.95;XGBR: R² = 0.9781	有用な機械学習ベンチマークですが、モデルはLSTMや注意による逐次的時間的依存を明示的に表現していません
スパローサーチアルゴリズムを用いて最適化されたLSTM;CNN-LSTM、CNN-BiLSTM、PSO-LSTMと比較して	SSA-LSTM: RMSE = 8.601、MAE = 6.317、R² = 0.946;PSO-LSTM: RMSE = 8.860, R² = 0.944;ベースラインLSTM:RMSE = 12.481、R² = 0.884	最適化されたLSTMの価値を示しますが、マルチヘッドアテンション、転移学習適応、衛星火災活動変数は使用していません
不均衡な高汚染事象に対するクラスターベースのアンダーサンプリングを用いたトランスモデル	最適構成:RMSE = 2.080、MAE = 1.386、R² = 0.914	高イベントPM₂.₅予測に優れていますが、統合された特徴選択、転移学習、火数強化、注意ベースの解釈よりも不均衡処理に重点が置かれています
LSTM時間エンコーダのみ	RMSE = 7.56、MAE = 5.52、R² = 0.905	同じデリー実験環境下での内部時間基準として使用されました
相関関数選択およびXGBoostベースの特徴選択を用いたLSTM	RMSE = 4.24	冗長で弱い予測変数を除去することで、シーケンス学習前の予測が改善されることを示しています
特徴選択、転移学習LSTM、多頭注意	RMSE = 3.48、R² = 0.980	注意に基づく時間的および特徴の重み付けの付加価値を示しています

表5:CORTA-Netと最近および既存のPM₂.₅/AQI予測モデルとの方法論的比較。 提案されたフレームワークは、最近のトランスフォーマーベースやハイブリッドPM₂.₅予測手法とは根本的に異なります。最近の最新技術とのより強い比較です。

本研究の主な貢献は、CORTA-Netと呼ばれるハイブリッドディープラーニング手法であり、複雑な建築環境を持つインド・ニューデリーにおける短期PM_2.5 濃度を統合的に予測する方法を提供します。3つの独立したコンポーネント(冗長性を最小限に抑えるCorrXGBoost-Rankに基づく特徴選択モジュール、時間的依存の非定常性を符号化する転送学習で強化されたLSTM、解釈可能な長期・短期予測を実現するマルチヘッドアテンションメカニズム)からなる二分化モデルに依存する代わりに、CORTA-Netはパイプラインベースのアプローチを用いてこれらのコンポーネントを相乗的に統合しています。このフレームワークは、気象変数、MODIS火災カウント、大気質データの入力を取り入れ、PM_2.5 汚染に寄与する要因をより包括的に表現しようと試みています。CORTA-Netは、厳密な評価指標(高い^R2 値(0.983)と低いRMSE値(3.19)を含む既存の基準(ランダムフォレスト、XGBoost、LSTM、注意ベースLSTM)を有意に良好に評価しました。これらの研究は、CORTA-Netのすべての要素がモデルのパフォーマンスに有意に寄与していることを示しました。CORTA-Netの多頭注意メカニズムは、主な予測因子が最近のPM_2.5 測定、火災カウント、気象測定であることを示し、既知の大気プロセスとよく整合し、このモデルに意味のある解釈可能性をもたらしたことで、本研究にさらなる価値をもたらしました。

有望な結果にもかかわらず、著者らは地理的制約(ニューデリーのみ)や、MODIS火災のみに依存することがRSデータの熱代理としてカウントされるなど、いくつかの制約が存在することを認めています。今後の研究では、さまざまな都市地域でのCORTA-Netの性能検証や、境界層の高さや風の軌跡などの交通認識特性をモデリングプロセスに組み込んで一般化可能性を高めることに焦点を当てます。それでもなお、著者らはCORTA-Netがデータ駆動型の政策立案や早期警戒システムを支える、非常に実現可能で再現性が高く解釈可能なフレームワークであると考えています。ニューデリーのデータ豊富で複雑な都市環境でCORTA-Netが強力なパフォーマンスを達成できることは、CORTA-Netが広く導入される準備ができていることを示唆しており、都市大気質予測の新たな標準開発の基盤を築くことになります。

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
Calibriフォント	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/typography/font-list/calibri	修正された図とラベルの基本書体として使用されました。
CORTA-Netの図生成スクリプト	このCORTA-Netプロジェクト用のカスタムスクリプト	URL: https://github.com/saravagnamahasiva/CORTA-Net	ラベルと順序を修正した出版用図のPDFを再生成するために使用されました。
CORTA_Net_High_Resolution_Images.zip	ユーザー提供のプロジェクト画像アーカイブ	カタログ番号/RRID: 該当なし; ローカルソースアーカイブ	ソース/参照画像セットとして使用され、図の識別に使用されました。
GitHub	GitHub, Inc.	URL: https://github.com/	プロジェクトコードと図生成ファイルの意図されたリポジトリホストとして使用されました。
Matplotlib	Matplotlib開発チーム	RRID: SCR_008624; URL: https://matplotlib.org/	チャート、図、ラベル、パネルマーカー、ベクターPDF図を再描画するために使用されました。
NumPy	NumPy開発者	RRID: SCR_008633; URL: https://numpy.org/	再生成された図のパネルの決定論的配列とシミュレーション値に使用されました。
OpenAI Codex	OpenAI	URL: https://openai.com/codex	コード編集、図再生成、PDFパッケージング、検証の支援に使用されました。
Pillow	Pillow貢献者	URL: https://python-pillow.org/	ラスター画像出力を検査、リサイズ、プレビュー、検証するために使用されました。
Poppler	Poppler開発者/freedesktop.org	URL: https://poppler.freedesktop.org/	生成されたPDFをPNGプレビューにレンダリングして視覚的な品質チェックに使用されました。
pypdf	pypdf貢献者	URL: https://pypdf.readthedocs.io/	各最終図PDFが1つの有効なページを含むことを確認するために使用されました。
Python	Pythonソフトウェア財団	RRID: SCR_008394; URL: https://www.python.org/	図生成とPDF処理のプログラミング環境として使用されました。
ReportLab	ReportLab Inc.	URL: https://www.reportlab.com/	必須資料/ツール/ソフトウェアの表をPDFアートワークとして作成するために使用されました。
Windows PowerShell	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/powershell/	ファイルのオーケストレーション、アーカイブの抽出、最終的なZIPパッケージングコマンドに使用されました。