مقاله پیش بینی کیفیت هوا با استفاده از یادگیری ماشین: یک چشم انداز جهانی مرتبط با تنظیمات منبع پایین

چکیده

Air pollution stands as the fourth leading cause of death globally. While extensive research has been conducted in this domain, most approaches rely on large datasets when it comes to prediction. This limits their applicability in low-resource settings though more vulnerable. This study addresses this gap by proposing a novel machine learning approach for accurate air quality prediction using two months of air quality data. By leveraging the World Weather Repository, the meteorological, air pollutant, and Air Quality Index features from 197 capital cities were considered to predict air quality for the next day. The evaluation of several machine learning models demonstrates the effectiveness of the Random Forest algorithm in generating reliable predictions, particularly when applied to classification rather than regression, approach which enhances the model’s generalizability by 42%, achieving a cross-validation score of 0.38 for regression and 0.89 for classification. To instill confidence in the predictions, interpretable machine learning was considered. Finally, a cost estimation comparing the implementation of this solution in high-resource and low-resource settings is presented including a tentative of technology licensing business model. This research highlights the potential for resource-limited countries to independently predict air quality while awaiting larger datasets to further refine their predictions.

چکیده به فارسی (ترجمه ماشینی)

آلودگی هوا به عنوان چهارمین عامل اصلی مرگ در سطح جهان است.در حالی که تحقیقات گسترده ای در این دامنه انجام شده است ، بیشتر رویکردها هنگام پیش بینی به مجموعه داده های بزرگ متکی هستند.این کاربرد آنها را در تنظیمات کم منبع محدود می کند هرچند آسیب پذیرتر است.این مطالعه با ارائه یک رویکرد جدید یادگیری ماشین برای پیش بینی دقیق کیفیت هوا با استفاده از دو ماه از داده های کیفیت هوا ، به این شکاف می پردازد.با استفاده از مخزن جهان ، ویژگی های شاخص هواشناسی ، آلاینده هوا و کیفیت هوا از 197 شهر پایتخت برای پیش بینی کیفیت هوا برای روز بعد در نظر گرفته شد.ارزیابی چندین مدل یادگیری ماشین ، اثربخشی الگوریتم جنگلی تصادفی در تولید پیش بینی های قابل اعتماد ، به ویژه هنگامی که برای طبقه بندی به جای رگرسیون استفاده می شود ، رویکردی که باعث افزایش تعمیم مدل 42 ٪ می شود ، دستیابی به یک نمره اعتبار سنجی متقاطع 0.38 برای رگرسیون و رگرسیون و رگرسیون است.0.89 برای طبقه بندی.برای القاء اعتماد به نفس در پیش بینی ها ، یادگیری ماشین قابل تفسیر در نظر گرفته شد.سرانجام ، تخمین هزینه با مقایسه اجرای این راه حل در تنظیمات با منبع بالا و منبع کم از جمله آزمایشی از مدل کسب و کار دارای مجوز فناوری ارائه شده است.این تحقیق پتانسیل کشورهای محدود منابع را برای پیش بینی کیفیت هوا به طور مستقل در حالی که منتظر مجموعه داده های بزرگتر برای اصلاح بیشتر پیش بینی های خود هستند ، برجسته می کند.