《Environmental Modelling & Software》：Soft Computing Techniques for Atmospheric Pollution and Traffic Emission Prediction
编辑推荐：
空气污染预测中软计算与人工智能方法的应用及比较研究，分析人工神经网络、模糊逻辑等模型在处理非线性数据中的优势，探讨混合模型与深度学习架构（如注意力机制BiLSTM）的预测性能，讨论物联网与智慧城市框架的集成潜力，指出模型泛化能力和不确定性处理等局限。
Vivek Mathur | Divya Srivastava | Jaya Pandey | Vivek Mishra
阿米蒂大学（Amity University），北方邦勒克瑙校区，印度北方邦勒克瑙 – 226010
摘要
空气污染，尤其是来自交通排放的污染，对公共健康和环境可持续性构成了重大威胁。传统的监测系统资源消耗量大，这促使人们转向计算预测技术。本综述评估了软计算方法（如人工神经网络（ANN）、模糊逻辑、遗传算法和混合模型）在大气污染和交通排放预测中的应用。这些模型在处理非线性和不确定数据时具有灵活性、适应性和高准确性。综述比较了不同模型的架构、输入特征和性能指标，强调了混合模型和深度学习模型的优越预测能力。此外，还讨论了这些模型与物联网（IoT）和智慧城市框架的潜在整合。文章指出了主要局限性，包括模型泛化能力的不足和不确定性处理问题，并提出了未来改进的建议。本研究为空气质量预测提供了基于数据的新兴策略的简要概述，为研究人员和政策制定者在可持续城市规划方面提供了方向。
引言
空气污染是指大气中存在有害物质[1]，[2]，被认为是一个具有深远影响的环境问题，包括对人类健康、气候变化和各种生态系统的不利影响[3]。大气中存在多种污染物，如氨、二氧化碳、氮氧化物和颗粒物[4]，[5]，[6]，[7]，[8]。这一问题不仅限于高排放地区，因为这些污染物可以长距离传输[9]。城市的快速城市化和工业化导致大气污染和交通排放急剧增加。交通被视为大多数城市大气污染的主要来源，对环境产生负面影响，并在全球范围内影响人类健康[10]。由于车辆排放是导致大气污染的主要原因，许多国家都在采取措施减少车辆污染。随着电动汽车（EV）的迅速普及，将交通流量与污染物浓度直接联系起来的传统假设需要重新评估。与内燃机车辆不同，电动汽车的尾气排放几乎可以忽略不计，从而改变了车辆数量与空气质量指标之间的关联。为了捕捉这一变化，预测模型可以通过动态学习这些演变模式并预测其对空气质量的长期影响来发挥关键作用。这种预测整合为开发适应新能车时代的软计算框架提供了有前景的方向[11]。
此外，多项研究结果表明，高水平的大气污染和有害物质是导致多种健康问题的主要原因，包括心血管疾病、肺癌和呼吸道感染[11]，[12]，[13]，[14]，[15]。因此，关于大气污染的研究[16]，[17]至关重要，并且一直被视为环境保护的重要概念。因此，使用预测技术来估计空气质量是必要的，因为这些数据可以为研究人员和政策制定者提供进一步防止污染的依据。建立空气质量监测站来确定这些污染物的浓度是复杂的。预测计算模型因其能够模拟复杂和不确定的系统而受到欢迎。这些技术已成功应用于环境污染物的预测[8]。这些计算模型可以从数据中自动学习，并在有限的人工干预下进行决策。
虽然开发了许多机器学习方法，但这些方法在实验过程中复杂且成本较高。因此，采用了不同的监测系统来提高结果的准确性。与现有的预测模型相比，软计算范式更加灵活、依赖假设较少且更具适应性[18]。这些技术可以用于分析和预测，特别是在全国范围内正在开发的智慧城市项目中。空气污染可以作为构建、训练和验证与交通相关模型的特征[19]。
许多研究探讨了机器学习和计算模型在空气污染和交通排放预测中的应用。然而，大多数现有文献侧重于单一模型方法或特定城市的数据集，缺乏跨区域验证和泛化能力。此外，早期的综述没有全面评估混合模型或新兴的深度学习架构（如基于注意力的BiLSTM），而这些模型显示出更优越的预测性能。本综述通过系统地分析独立和混合软计算方法，强调了它们在实时智慧城市部署中的适用性，并提供了环境监测的人工智能技术分类。本研究的新颖之处在于对模型性能的比较评估、对2020年后最新发展的整合，以及实际意义和局限性的阐述。
方法论
本综述遵循系统的文献回顾框架进行，以确保全面性、透明度和可重复性。该过程分为四个关键阶段：（1）研究问题制定，（2）搜索策略和来源选择，（3）筛选和资格评估，（4）数据提取和综合。
用于大气污染预测的软计算技术
人工神经网络（ANN）已被广泛用于大气污染预测。ANN能够学习并识别数据中的复杂模式，在预测污染物浓度方面取得了令人满意的结果。另一种软计算方法——模糊逻辑系统——也被用来处理与大气污染相关的不精确和不确定数据。基于模糊逻辑的模型能够捕捉语言规则和专家知识，使其适用于...比较研究
表1总结了一些利用软计算和人工智能（AI）研究空气污染和交通排放的重要研究。该表详细介绍了研究区域、输入参数、使用的AI模型、输出参数、比较模型和污染物...
结论
由于空气质量对人类健康、环境可持续性和城市生活标准具有直接和深远的影响，空气质量预测变得越来越重要。基于软计算和人工智能（AI）的预测模型在处理空气污染数据的复杂性和非线性方面被证明非常有效。这些模型能够处理大量的环境和交通相关参数，提供可靠的短期和长期预测...
CRediT作者贡献声明
Jaya Pandey：撰写——审稿与编辑、可视化、监督。
Divya Srivastava：可视化、监督。
Vivek Mishra：撰写——审稿与编辑、监督。
Vivek Mathur：撰写——初稿、验证、资源收集、方法论、研究
利益冲突声明
? 作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。
