Forecasting of Airborne Pollutants with ARIMA Models

Abstract

Exposição a poluente aéreos acarreta grandes impactos nos sectores da saúde, ambiente e economia. Monitorização da qualidade do ar em tempo real e emissão de previsões tornaram-se numa necessidade para a protecção dos cidadãos. Devido à complexidade dos processos físicos e químicos que descrevem a formação e transporte de poluentes, fazer previsões dos mesmos não é uma tarefa trivial. Os custos computacionais e de perícia são extremamente alto quando são utilizados modelos baseados fisicamente. Modelos estocásticos providenciam uma abordagem mais económica e têm o potencial de exibir a mesma precisão e exactidão.O método de Box-Jenkins, desenvolvido originalmente para econometria, foi utilizado no passado para a previsão bem sucedida de algumas espécies de poluentes aéreos. Fazendo recurso a essa mesma metodologia vários modelos Auto-regressivos Integrados com Média Móvel foram ajustados a seis poluentes, regulados dentro da União Europeia, e a qualidade dos ajustes testadas através de análise residual e um teste estatístico.Os modelos ajustados foram utilizados para produzir previsões para além da amostra e a sua qualidade testada. Para melhor avaliar a robustez das previsões, vários procedimentos de validação cruzada para séries temporais foram implementados. Foram apresentados e comparados os resultados obtidos para todos os poluentes. Foi possível realizar previsões com alguma qualidade para alguns dos poluentes. Apesar de tudo, alguns dos modelos obtidos não foram capazes de obter resíduos que se assemelhassem a ruído branco. Isto implica que ainda existem melhorias a serem feitas.

Exposure to airborne pollutants has serious health, environmental and economic impacts.Real-time monitoring and forecasting of the air quality has become a necessity in order to protect citizens. Due to the intricacies of the physical and chemical processes that govern airborne pollutant formation and transport, producing forecasts is not a trivial task. Computational and expertise costs are very high when resorting to physically based models. Stochastic models provide more parsimonious approaches with the same accuracy potential. The Box-Jenkins methodology, that originally developed for econometrics, was used in the past to forecast successfully some airborne pollutants. Using that methodology several Autoregressive Integrated Moving Average model was fitted to six pollutants, regulated in the European Union, and the goodness of fit tested with residual analysis and a statistical test. The fitted models were used to produce out-of-sample forecasts and their accuracy tested. In order to evaluate the models forecast robustness, a time series cross-validation procedure was implemented . The results were presented and compared for every pollutant. Even though, it was possible to obtain accurate forecast for some pollutants, the models used can still be improved. The residuals should resemble white noise. That did not happen for some models used and hinders the forecast accuracy, since it can cause the errors to be underestimated and the prediction intervals to be overly narrow.