Прогнозирование реального времени воздействия загрязнения воздуха внутри транспортных средств с использованием методов балансировки массы и машинного обучения на основе бортовых и мониторинговых данных качества воздуха

Моделирование концентраций загрязняющих веществ воздуха внутри транспортных средств является важным этапом для оценки ежедневного воздействия загрязнения воздуха. Это представляет трудность, поскольку процессы, влияющие на внутри‑автомобильное воздействие, изменяются в зависимости от режима вождения и настроек вентиляции. В настоящем исследовании предложен подход, сочетающий принципы массового баланса и методы машинного обучения с использованием данных окружающего качества воздуха, бортовых (on-road) и внутри‑автомобильных измерений твердых частиц (PM10, PM2.5, PM1), диоксида азота (NO2), оксидов азота (NOx), площади отложений аэрозоля на легочные поверхности (LSDA) и ультрадисперсных частиц (UFP) при различных настройках вентиляции для оценки уровней воздействия загрязнения воздуха внутри транспортных средств. Первая модель (MB) включает базовые физические и химические процессы и использует подход массового баланса для оценки внутри‑автомобильных концентраций. Вторая модель (ML) применяет алгоритмы машинного обучения, обученные на выборке наблюдений, для предсказания невидимых ранее внутри‑автомобильных концентраций. Набор наблюдений был разделен генератором чисел в соотношении 80:20; 80% использовалось для построения и обучения ML‑модели, а 20% — для валидации. Обе модели адекватно предсказывали наблюдения, за исключением недооценки UFP и LSDA. Модель ML показала лучшую прогностическую способность по сравнению с MB и умение предсказывать невидимые внутри‑автомобильные воздействия. Предсказания ML были сопоставимы с MB для большинства компонентов и улучшились для NO2. Модель ML продемонстрировала хорошие показатели индекса согласия (IOA > 0.69) и коэффициента корреляции Пирсона (r > 0.80) для всех компонентов. Замена бортовых (отобранных в движении) данных на данные станций мониторинга поблизости в ML‑модели показала перспективные новые возможности для прогнозирования внутри‑автомобильного воздействия. В условиях роста обеспокоенности по поводу загрязнения воздуха понимание и прогнозирование воздействия внутри транспортных средств имеет большое значение для общественного здравоохранения и экологических исследований. Это исследование продвигает область оценки воздействия и, без дополнительных затрат, демонстрирует практическое значение для картирования воздействия в реальном времени и оценки влияния на здоровье пассажиров с использованием существующей инфраструктуры.