Un nou model de învățare profundă îmbunătățește precizia prognozelor poluanților atmosferici de la marginea drumului
Un grup de cercetători condus de profesorul Li Xiangxian de la Institutul de Optică și Mecanică Fină din Anhui, parte a Academiei Chineze de Științe, a dezvoltat un model inovator de învățare profundă care îmbunătățește semnificativ atât precizia, cât și interpretabilitatea prognozelor poluanților atmosferici de la marginea drumului. Această descoperire a fost recent publicată în revista Environmental Modelling & Software.
Emisiile din trafic urban reprezintă o sursă majoră de poluare a aerului, iar evoluția poluanților este determinată de interacțiuni complexe și nonlineare între meteorologie, comportamentul traficului și emisiile. Modelele tradiționale întâmpină dificultăți în a asigura predicții stabile în fața acestei variabilități. Deși tehnologiile de învățare automată au avansat semnificativ în prognoza calității aerului, multe dintre modelele profunde continuă să sufere de lipsa interpretabilității fizice și de incapacitatea de a captura dinamicile interconectate ale poluanților.
În acest studiu, echipa a dezvoltat un nou model numit Dynamic Shared and Task-specific Multi-head Attention Bidirectional Long Short-Term Memory (DSTMA-BLSTM). Acest cadru integrează straturi de atenție partajată pentru a extrage tipare temporale comune între poluanți, în timp ce capetele de atenție specifice sarcinii captează caracteristicile unice de reacție ale fiecărui poluant. Această arhitectură permite o descompunere adaptivă a caracteristicilor comune și distincte între poluanți, sporind astfel interpretabilitatea și robustetea modelului în condiții complexe de interacțiune între trafic și meteorologie.
Validarea experimentală utilizând date reale de monitorizare a poluării de la marginea drumului a demonstrat că algoritmul DSTMA-BLSTM a atins o precizie de predicție foarte ridicată, cu valori R² ce depășesc 0.94 pentru poluanții majori. Comparativ cu modelele LSTM convenționale, a reușit să reducă erorile de predicție cu aproximativ 30%, evidențiind astfel o stabilitate și o capacitate de generalizare remarcabilă.
Aceste descoperiri sugerează că algoritmul DSTMA-BLSTM are un mare potențial în monitorizarea emisiilor de trafic, prognoza calității aerului urban și asistența decizională în domeniul mediului. Prin avansarea tehnologiilor de modelare, acest studiu nu doar că oferă soluții inovatoare, dar și contribuie la o înțelegere mai profundă a dinamicii poluanților atmosferici în orașele contemporane.
Pentru mai multe informații: Yusheng Qin et al., DSTMA-BLSTM algorithm for roadside air pollutant time series prediction and sensitivity analysis, Environmental Modelling & Software (2026). DOI: 10.1016/j.envsoft.2025.106730
