Relief-Based Feature Selection for ANN-Driven Air Pollution Prediction and School Safety Policy in India

Share

Abstract

Las escuelas públicas educan a grupos socioeconómicos diversos, lo que hace que el monitoreo de la calidad del aire sea vital para la salud y el aprendizaje de los estudiantes. Estos estudiantes son vulnerables a contaminantes como NO₂, SO₂ y PM₂.₅. Por lo tanto, la predicción de contaminantes atmosféricos (AP) ayuda a proteger la salud infantil, mejorar el aprendizaje, aplicar medidas preventivas, políticas y concienciación. Los modelos predictivos que utilizan ANNs, la selección de características plantea desafíos debido a la alta dimensionalidad de los datos, lo que incrementa el riesgo de sobreajuste y la complejidad del modelo. Las características irrelevantes introducen ruido, reduciendo así la precisión. Por ello, la exploración de técnicas de selección de características en la precisión de los modelos de ANN sigue siendo un área importante. Este estudio explora el algoritmo relief (RA) para la selección de entradas a fin de evaluar la precisión de predicción de NO₂, SO₂ y PM₂.₅ usando una red neuronal de alimentación directa multicapa (MLFFNN), una red neuronal de función de base radial (RBFNN), una red neuronal de regresión generalizada (GRNN) y un modelo de regresión lineal múltiple (MLR). RA clasifica variables como la dirección del viento, la velocidad vertical del viento y la radiación solar. Mejoró significativamente el rendimiento del modelo, aumentando R2 en un 82.79% (SO₂) en RA-MLFFNN-1 y en un 77.37% (NO₂) en RA-MLFFNN-2. Sin embargo, la predicción de PM₂.₅ usando RA-MLFFNN-3 mostró una precisión reducida, lo que indica una efectividad específica del modelo. Los hallazgos ofrecen ideas clave para mejorar la política de calidad del aire en las escuelas. [Traducción automática al español; idioma original: inglés.]