Optimizing the Architecture of a Quantum–Classical Hybrid Machine Learning Model for Forecasting Ozone Concentrations: Air Quality Management Tool for Houston, Texas
Notice bibliographique
Résumé
Keeping track of air quality is paramount to issue preemptive measures to mitigate adversarial effects on the population. This study introduces a new quantum–classical approach, combining a graph-based deep learning structure with a quantum neural network to predict ozone concentration up to 6 h ahead. The proposed architecture utilized historical data from Houston, Texas, a major urban area that frequently fails to comply with air quality regulations. Our results revealed that a smoother transition between the classical framework and its quantum counterpart enhances the model’s results. Moreover, we observed that combining min–max normalization with increased ansatz repetitions also improved the hybrid model’s performance. This was evident from evaluating the assessment metrics root mean square error (RMSE), coefficient of determination (R2) and forecast skill (FS). Values for R2 and FS for the horizons considered were 94.12% and 31.01% for the 1 h, 83.94% and 48.01% for the 3 h, and 75.62% and 57.46% for the 6 h forecasts. A comparison with the existing literature for both classical and QML models revealed that the proposed methodology could provide competitive results, and even surpass some well-established forecasting models, proving to be a valuable resource for air quality forecasting, and thus validating this approach.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».