Predicción de la Calidad del Aire Basada en Aprendizaje Automático

El aire, un recurso natural esencial, ha sido comprometido en términos de calidad por actividades económicas. Se ha dedicado una considerable cantidad de investigación a predecir instancias de mala calidad del aire, pero la mayoría de los estudios se limitan por la falta de datos longitudinales, lo que dificulta tener en cuenta factores estacionales y otros. Se han desarrollado varios modelos de predicción utilizando un conjunto de datos de 11 años recopilados por la Administración de Protección Ambiental de Taiwán (EPA). Los métodos de aprendizaje automático, incluidos el aumento adaptativo (AdaBoost), la red neuronal artificial (ANN), el bosque aleatorio, el ensamblaje de apilamiento y la máquina de soporte vectorial (SVM), producen resultados prometedores para las predicciones del índice de calidad del aire (AQI). Una serie de experimentos, utilizando conjuntos de datos para tres regiones diferentes para obtener el mejor rendimiento de predicción del ensamblaje de apilamiento, AdaBoost y el bosque aleatorio, encontró que el ensamblaje de apilamiento ofrece un rendimiento consistentemente superior para R2 y RMSE, mientras que AdaBoost proporciona los mejores resultados para MAE.