X2-AQFormer: выявление динамических факторов в многодневном почасовом прогнозировании загрязнения воздуха

Почему важны точные прогнозы чистоты воздуха

Городское загрязнение воздуха — это не абстрактная статистика о здоровье: оно влияет на то, могут ли дети безопасно играть на улице, как больницы готовятся к приступам астмы и когда пассажирам стоит оставить автомобиль дома. Европейские нормы вскоре ужесточат пределы по распространённым загрязнителям, таким как оксиды азота и грубые частицы (PM10), оставляя городам мало места для ошибок. В этом исследовании предложен новый подход к прогнозированию, который не только предсказывает уровни загрязнения на несколько дней вперёд, но и объясняет, почему воздух, как ожидается, станет чище или грязнее, помогая властям и населению принимать более обоснованные и надёжные решения.

Более умный способ увидеть воздух завтрашнего дня

Исследователи сосредоточились на двух ключевых загрязнителях в Стокгольме: оксидах азота (в основном связанных с дорожным движением) и PM10 (более крупные частицы от дорожной пыли и других источников). Традиционные модели моделируют перенос и химические реакции загрязнений в атмосфере на основе физики, но они часто дают систематические ошибки и зависят от идеальных входных данных. Современные системы машинного обучения могут исправлять многие из этих ошибок и улавливать сложные закономерности, однако обычно ведут себя как «чёрные ящики», внутреннее устройство которых непрозрачно. Авторы поставили задачу создать систему прогнозирования, которая сочетает точность продвинутого глубокого обучения и одновременно ясно показывает, какие факторы — например ветер, паттерны, связанные с трафиком, или приходящие фронты погоды — определяют её прогнозы на предстоящие часы и дни.

Прозрачный «мозг» для качества воздуха

В основе исследования лежит X2-AQFormer, модель глубокого обучения, основанная на архитектуре Transformer, изначально разработанной для обработки длинных последовательностей, таких как предложения. Модель получает смешанные данные: недавние измерения загрязнений в четырёх контрольных точках, подробные прогнозы погоды и выходы существующей физико-ориентированной системы качества воздуха, которая симулирует загрязнение в регионе и в уличных каньонах. Вместо того чтобы прогнозировать только следующий час и затем шаг за шагом двигаться вперёд, X2-AQFormer непосредственно выдаёт всю 72-часовую последовательность почасовых прогнозов как для оксидов азота, так и для PM10. Его специальный механизм «внимания» работает как прожектор, динамически взвешивая, какие входы наиболее важны для каждого будущего часа, и эти веса можно прочитать, чтобы показать, как модель «думает».

Лучшие прогнозы там, где люди дышат

Чтобы проверить новый подход, авторы сравнили его с несколькими сильными конкурентами: оперативным детерминированным прогнозом, используемым в Стокгольме, стандартными нейросетями на базе Transformer и широко применяемыми древовидными методами, такими как XGBoost и RandomForest. Во всех четырёх точках — трёх оживлённых уличных каньонах и одной городской фоновой станции — X2-AQFormer последовательно давал более точные прогнозы, особенно за пределами первых нескольких часов. В интервалах от одного до трёх дней он сократил типичные ошибки примерно на треть по сравнению с детерминированной моделью и превзошёл другие глубинные подходы примерно на 11 процентов. Что важно, он особенно эффективно корректировал систематическое занижение PM10 и завышение оксидов азота, наблюдаемые в физико-ориентированных прогнозах, а также лучше обнаруживал эпизоды очень высокого загрязнения с оптимальным балансом между ловлей опасных пиков и избежанием излишних ложных тревог.

Видеть скрытые драйверы грязного и чистого воздуха

Поскольку в X2-AQFormer встроены оценки внимания, команда могла отслеживать, как разные влияния меняются со временем. Для оксидов азота на оживлённой улице основными драйверами были недавние измерения и многодневные детерминированные прогнозы, в то время как на городской фоновой станции гораздо более важными становились ветер, облачность и температура, что отражает роль региональных воздушных потоков. Для PM10 вблизи дорог модель опиралась на прошлые уровни частиц и погодные условия, контролирующие повторное поднимание дорожной пыли, тогда как на фоновой станции она в большей степени «доверяла» детерминированным прогнозам. Исследователи также подробно рассмотрели отдельные дождевые эпизоды: хотя в среднем осадки казались неважными, модель резко увеличивала вес, который она давала осадкам прямо перед и во время продолжительных ливней, что отражает то, как влажные дороги подавляют пыль. В течение 72-часового горизонта система плавно передавала влияние от 1-дневных к 2-дневным и далее к 3-дневным прогнозам, показывая интуитивную «эстафету» в использовании входящей информации.

Преобразование инсайтов в более простые и сильные инструменты

Интерпретируемость X2-AQFormer важна не только академически; она прямо указывает на пути упрощения и улучшения реальных систем. Ранжируя входные факторы по их вкладу, авторы показали, что для оксидов азота можно отбросить примерно 70 процентов признаков и при этом сохранить — или незначительно улучшить — качество прогнозов, что даёт более лёгкую и простую в обслуживании модель. Для PM10 потребовался более широкий набор входов, подчёркивая его более сложное поведение. В целом исследование предлагает практический рабочий процесс «Предсказать—Проверить—Интерпретировать—Оптимизировать», в рамках которого города могут строить точные прогнозы, строго тестировать их, открывать внутреннюю логику и затем упрощать для повседневного использования. Для политиков и граждан это означает прогнозы чистоты воздуха, которые не только точнее, но и прозрачнее и внушают больше доверия.

Цитирование: Zhang, Z., Schlesinger, D., Johansson, C. et al. X2-AQFormer: unveiling dynamic drivers in multi-day hourly air pollution forecasting. npj Clean Air 2, 17 (2026). https://doi.org/10.1038/s44407-026-00058-5

Ключевые слова: прогнозирование загрязнения воздуха, урбанистическое качество воздуха, объяснимый ИИ, модели на основе трансформеров, NOx и PM10