Air Pollution Forecasting Using Machine Learning with Temporal Fusion Transformer and Graph Neural Networks
Notice bibliographique
Résumé
Air pollution is a significant obstacle to achieving urban sustainability and public health, particularly in rapidly developing regions. Accurate air quality prediction is essential for proactive pollution management and policy formulation. In this study, we employ sophisticated machine learning frameworks, such as Temporal Fusion Transformer (TFT) and Graph Neural Networks (GNNs), to predict air quality levels. TFT is designed to capture temporal dependencies, making it ideal for time-series forecasting, while GNNs model spatial relationships, enabling the analysis of pollutant dispersion across monitoring stations. A synthetic dataset comprising 50 rows was generated, simulating pollutant concentrations (PM2.5, PM10, CO, NO2, SO2) and meteorological variables (temperature, humidity, wind speed). The models were assessed using criteria like$R^{2}$, RMSE, and MAE. TFT achieved an$R^{2}$of 0.97 and an RMSE of$4.2 \mu ~\mathrm{g} / \mathrm{m}^3$, significantly outperforming traditional models like Random Forest and XGBoost. GNN provided spatial insights, identifying pollutant hotspots and their dispersion patterns. This research highlights the superior accuracy and scalability of TFT and GNN for air quality prediction. The results underline their potential for real-time monitoring, smart city integration, and proactive environmental management, offering a robust solution for addressing urban air pollution challenges.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».