フーリエ級数分解とLSTM・SVMを組み合わせた微粒子（PM2.5およびPM10）予測

なぜより正確な大気予測が誰にとっても重要なのか

空気中の微小粒子は私たちが毎日吸い込んでいる目に見えない脅威です。PM2.5やPM10と呼ばれる微粒子は肺や血流の奥深くまで入り込み、心臓や呼吸器の疾患リスクを高めます。汚染濃度は時間単位で急変することがあり、本研究はモロッコの港湾都市において時間ごと・季節ごとの変動をより正確に予測する方法を探ります。そうすることで、当局が危険な空気になる前に住民に警告を出し、対策を立てられるようにすることが目的です。

都市の空気中の粉じんを理解する

研究者らは大西洋沿岸に位置し製油所や工業地帯を抱えるモハンメディアを対象に選び、空気質研究の有用な実験場としました。対象としたのは一般的に問題となる二種類の微粒子、直径2.5マイクロメートル以下のより細かいPM2.5と、最大10マイクロメートルのやや大きいPM10です。これらはいずれも空中に浮遊し、人の健康にとって有害な汚染物質として知られています。研究チームは2020年12月から2021年11月までの時間ごとの測定値を収集し、日・週・季節ごとにどのように汚染が上下したかの詳細な記録を作成しました。

実データの雑音を取り除く

多くの実監視システムと同様に、市の測定機器は完全なデータを常に提供したわけではありません。センサーの故障や通信の不具合で欠損する時間帯があり、分布には時折極端なスパイクも見られました。単純に直線補間で欠損を埋めると実際の汚染ピークをぼかしてしまうおそれがあるため、著者らは季節性を考慮した手法を用いました。まず日内の規則的なパターン（たとえば通勤時間帯の高濃度）を捉え、残った不規則成分だけを局所的な平滑化で補完しました。さらに日・週・年といった複数の時間スケールで繰り返すパターンを分離し、異常検知手法で疑わしい外れ値を検出して補正しました。この慎重な前処理により、本物の汚染事象を残しつつノイズを取り除くことを目指しました。

数学と機械学習の共働

本研究の中心には古典的な数学と現代的な人工知能の融合があります。著者らはフーリエ級数という複雑な曲線を単純な波の和に分解する手法を用いて、汚染時系列をトレンド、季節周期、残差に分解しました。次にこうして処理した信号を用いて二つの代表的な機械学習モデルを学習させました：サポートベクターマシン（SVM）は柔軟な曲線でデータのパターンを見つけ、長短期記憶ネットワーク（LSTM）は時系列の連続性から学ぶニューラルネットワークです。フーリエ前処理を組み合わせたバージョン（SVMFとLSTMF）を、生データのみで学習させたバージョンと比較しました。

季節パターンが示すもの

時間ごとの記録はモハンメディアの大気に明確な季節リズムがあることを示しました。PM2.5では秋に平均値が最も高く、午後7時頃から午前2時頃まで続く長い夕方〜夜間のピークが見られ、交通や商業、社交活動に関連していると考えられます。冬と夏も強い夕方〜深夜ピークを示し、春には昼過ぎの早い時間帯と夕方の二つの主要な山が観察されました。PM10も概ね類似したパターンで、夕方のピークが顕著で日中のレベルは多くの季節でやや低めでした。これらのパターンは、悪い空気が多くの人が屋外にいる時間帯や通勤時間と重なることを強調しています。

分解した信号によるより鋭い予測

四季すべてと両汚染物質にわたり、フーリエ分解と機械学習を組み合わせたハイブリッドモデルは生データのみで学習したモデルを明確に上回りました。特にLSTMにフーリエ前処理を組み合わせたLSTMFモデルが一貫して最良の性能を示しました。時間ごとの予測では各季節で精度が最も高く、とくに秋に強い成果を上げました。予測期間を7日先まで延ばした場合でも、LSTMFは多くのケースで決定係数（R²）が0.9前後またはそれ以上と高い能力を維持しました。簡単に言えば、信号を分解することでモデルは長期トレンドや繰り返し周期といった意味ある構造に集中でき、短期的なノイズをよりうまく扱えるようになったのです。

日常生活への意義

専門外の読者にとっての要点は、より賢い予測が生データを実用的な保護手段に変え得ることです。時間ごとのPM2.5とPM10をより正確に予測できれば、市や保健機関は汚染が急増する時期を予測して呼吸器疾患のある住民に警報を出したり、交通流の調整や工場稼働の制限を時機に応じて行ったりできます。本研究は一つのモロッコの都市に限り、気象データや排出情報を加えず過去の粒子濃度のみを用いましたが、深層学習と数学的分解を組み合わせることが、よりクリーンで信頼できる大気質予報の有力な手法であることを示しています。さらなる改良と他地域への適用により、こうしたツールは早期警報システムの基盤となり、日々の暮らしの中で人々の呼吸を少し楽にする助けとなるでしょう。

引用: Bennis, M., Youssfi, M., Morabet, R.E. et al. Particulate matter (PM2.5 and PM10) prediction using fourier series decomposition in combination with LSTM and SVM. Sci Rep 16, 7665 (2026). https://doi.org/10.1038/s41598-026-38436-4

キーワード: 大気汚染予測, 微粒子状物質, 機械学習, フーリエ分解, 都市大気質