通过机器学习减少空气污染

本文提出了一种数据驱动方法，通过将运行决策与天气条件相关联，来减轻工业工厂对附近城市的空气污染影响。我们的方法结合了预测性与处方性机器学习模型，以预报短期风速和风向，并推荐减少或暂停工业工厂生产的运行决策。我们展示了在减少环境影响与维持生产活动之间的若干权衡。我们框架的预测组件采用多种机器学习模型，如基于梯度提升树的模型和集成方法，用于时间序列预测。处方组件利用可解释的最优策略树提出多种权衡，例如将危险排放减少 33-47%、将不必要的成本减少 40-63%。与官方天气预报相比，我们部署的模型显著降低了预测误差：小于 12 小时提前期的误差降低范围为 38-52%，12 至 48 小时提前期的误差降低范围为 14-46%。我们已在摩洛哥最大的化工工业工厂 OCP Safi 现场成功部署了预测组件，并正在部署处方组件。我们的框架通过基于天气的数据驱动运行决策消除了污染-工业活动的权衡，实现了可持续工业发展，显著提升了工厂优化与可持续性。这使工厂规划与资源分配现代化，同时保持环境合规。预测组件提升了生产效率，通过最小化空气污染实现了成本节约并减少了环境影响。