Интерпретируемый прогноз загрязнения атмосферного воздуха мелкодисперсными частицами на основе данных мониторинга и методов машинного обучения

Загрязнение атмосферного воздуха мелкодисперсными частицами с аэродинамическим диаметром менее 2,5 микрометра представляет серьезную экологическую и социальную проблему в условиях урбанизированных территорий. В связи с этим актуальной является задача краткосрочного прогноза концентрации данных частиц на основе данных мониторинга качества воздуха. В работе рассматривается применение интерпретируемых методов машинного обучения для прогнозирования концентрации мелкодисперсных частиц на часовом горизонте. В качестве исходных данных использован открытый набор Beijing PM2.5 Data Set, содержащий почасовые измерения концентрации загрязняющих веществ и метеорологических параметров за период с 2010 по 2014 годы. В ходе исследования выполнена предварительная обработка данных, сформировано признаковое пространство с учетом временной структуры и автокорреляционных свойств временных рядов, а также построены модели линейной регрессии, случайного леса и градиентного бустинга. Качество прогнозирования оценивалось с использованием средней абсолютной ошибки, среднеквадратичной ошибки и коэффициента детерминации. Результаты показали, что все рассмотренные модели обеспечивают высокую точность краткосрочного прогноза, при этом различия между моделями различной сложности оказываются незначительными. Установлено, что доминирующий вклад в формирование прогноза вносит автокорреляция временного ряда концентрации загрязняющих частиц, тогда как метеорологические параметры выполняют корректирующую функцию. Полученные результаты подтверждают целесообразность использования интерпретируемых моделей машинного обучения в системах мониторинга и прогнозирования качества атмосферного воздуха. Atmospheric air pollution by fine particles with an aerodynamic diameter of less than 2.5 micrometers is a serious environmental and social problem in urban areas. In this context, short-term forecasting of fine particulate matter concentrations based on air quality monitoring data is of particular importance. This study investigates the applicability of interpretable machine learning methods for hourly forecasting of fine particulate air pollution. The publicly available Beijing PM2.5 data set, containing hourly measurements of particulate matter concentration and meteorological parameters for the period from 2010 to 2014, was used as the data source. Data preprocessing was performed, and a feature space was constructed with consideration of temporal structure and autocorrelation properties of the time series. Linear regression, random forest, and gradient boosting models were developed and evaluated. Forecasting performance was assessed using mean absolute error, root mean squared error, and the coefficient of determination. The results demonstrate that all considered models provide high accuracy for short-term forecasting, while differences in performance between models of varying complexity remain insignificant. It was found that the dominant contribution to the forecast is provided by the autocorrelation of the particulate matter concentration time series, whereas meteorological parameters play a corrective role. The obtained results confirm the feasibility of using interpretable machine learning models in air quality monitoring and forecasting systems.