El pronóstico de la contaminación del aire es la tarea de predecir valores futuros de una secuencia dada utilizando datos históricos de la misma señal (pronóstico univariado) o datos históricos de varias señales interrelacionadas (pronósticos multivariados) (Martinez et al. 2013).

AirVisualLos datos de pronóstico se formulan mediante pronósticos multivariados. El AirVisual Las bases de datos aprenden arquitectura de datos profundos para buscar información de señal y proceso en el ruido.

Este método de aprendizaje de arquitectura profunda se favorece a otros métodos para sus muchos niveles de no linealidad; Tiene la capacidad teórica de aprender características complejas, al tiempo que logran una mejor generalización.

El aprendizaje profundo es una combinación de áreas de investigación que involucran redes neuronales, inteligencia artificial, modelado gráfico, optimización, reconocimiento de patrones y procesamiento de señales. Este algoritmo se describe como "profundo" porque la entrada tiene que pasar a través de varias no linealidades antes de generar la salida. La ventaja de tener muchas capas es la capacidad de representar compactamente funciones altamente no lineales y muy variables (Dalto, M).

Cuando se enfrenta a un gran conjunto de datos, el aprendizaje automático "agrupará" estas categorías en función de la similitud con mayor precisión que un humano. Luego, el proceso aprende a clasificar de forma incremental, comenzando con niveles más bajos y terminando con categorías de nivel superior. Este proceso se conoce como aprendizaje no supervisado.

Dos aspectos clave caracterizan el aprendizaje profundo:

1. Modelos que consisten en múltiples capas o etapas de procesamiento de información no lineal.
2. Métodos para el aprendizaje supervisado o no supervisado de representación de características en capas sucesivamente más altas y más abstractas.

Para pronosticar los niveles de contaminación, nuestra fórmula comprende el aprendizaje/arquitectura profunda, y un algoritmo que ayuda a distinguir las relaciones entre categorías y niveles de contaminación. Esto se debe a que el aprendizaje profundo carece de formas de representar las relaciones y a menudo enfrenta desafíos para adquirir estas relaciones; por lo tanto, el aprendizaje profundo es solo parte del desafío más amplio de construir máquinas inteligentes y requiere ayuda para crear un resultado preciso.

El aprendizaje automático estudia los patrones que vinculan la calidad del aire actual y las condiciones climáticas actuales con pronóstico meteorológico y calidad histórica del aire. Naturalmente, cuantos más datos se reciban, más preciso será el pronóstico.

La desventaja de las redes neuronales de múltiples capas es que son bastante complicadas. La configuración es difícil y compleja y hay muchos parámetros que sintonizar.

La contaminación del aire en sí misma se ve afectada por muchos factores, ambientales y humanos, por lo tanto, pueden ocurrir errores en el pronóstico debido a los impredecibles de estos factores.

La Figura 1 busca explicar gráficamente los procesos involucrados en la calculación del pronóstico de calidad del aire utilizado por AirVisual. Este es un sistema de circuito cerrado, también conocido como sistema de control de retroalimentación, que permite al sistema ajustar sus rendimientos para cumplir con la respuesta deseada. El sistema captura todos los datos en tiempo real (condiciones climáticas actuales, calidad del aire actual), datos históricos (calidad del aire, condiciones climáticas) y los patrones históricos (clima, calidad del aire); Estos son componentes componen la entrada para el motor. Todos los datos, además del tiempo real, están controlados por un sistema de inteligencia artificial: este sistema tiene su propio método de aprendizaje y continúa aprendiendo durante el proceso de calcular los datos. El motor de pronóstico utiliza una serie de fórmulas para determinar el pronóstico de calidad del aire, esta salida se evalúa a través del proceso de bucle de retroalimentación para proporcionar una predicción más precisa.

Es importante tener en cuenta que el AirVisual El pronosticador no puede tener en cuenta eventos impredecibles, incluidos los desastres naturales y el aire limpio sancionado por el gobierno (leyes de emisiones, restricciones de automóviles). Como tal, el AirVisual El pronóstico durante estos eventos puede ser inexacto. Otras limitaciones incluyen pronósticos meteorológicos (los países en desarrollo a menudo carecen de pronósticos meteorológicos altamente precisos) y ubicación/geografía.

Descargo de responsabilidad

Este modelo de pronóstico, y todas las predicciones de calidad del aire resultantes, están destinadas a proporcionar información precisa relacionada con la calidad del aire. Se han implementado pasos para garantizar su calidad y precisión. Sin embargo:

• AirVisual se basa en los modelos de predicción del clima numérico (NWP), especialmente el sistema de pronóstico global (GFS). Para algunos países (como China), la precisión del GFS es menor que otros países, por lo tanto, a veces afectan la precisión de los pronósticos de calidad del aire.


• No asumimos ninguna responsabilidad legal o responsabilidad por la precisión, integridad o corrección de la información de pronóstico.


• No asumimos ninguna responsabilidad legal por daños o pérdidas que puedan haber ocurrido directa o indirectamente como resultado de cualquier información obtenida de la AirVisual pronóstico.