Do Complex Models Improve PM2.5 Forecasting in Southern Ontario?
Accurate short-term forecasting of PM2.5 is important for public health planning in Canada, where air pollution is recognized as an environmental health risk affecting millions of Canadians. In Southern Ontario, population density and industrial activity make reliable air quality prediction especially relevant for early warnings and policy response. While both statistical and machine learning approaches have been widely studied, many comparative evaluations remain restricted to a small number of benchmark datasets, limiting insight into their performance in regional Canadian contexts. This study conducts a rolling-window comparison of classical regression and neural forecasting models using multivariate air quality data from Southern Ontario, providing evidence on model performance across forecast horizons in a real-world Canadian setting.
Les modèles complexes améliorent-ils les prévisions relatives aux PM2,5 dans le sud de l'Ontario ?
Il est important de pouvoir établir des prévisions à court terme précises concernant les PM2,5 pour planifier les mesures de santé publique au Canada, où la pollution atmosphérique est reconnue comme un risque pour la santé environnementale touchant des millions de personnes. Dans le sud de l'Ontario, la densité de population et l'activité industrielle rendent les prévisions fiables de la qualité de l'air particulièrement pertinentes pour les alertes précoces et les mesures politiques. Bien que les approches statistiques et d'apprentissage automatique aient été largement étudiées, les évaluations comparatives restent souvent limitées à un petit nombre de jeux de données de référence, ce qui limite la compréhension de leur performance dans le contexte régional canadien. Cette étude effectue une comparaison par fenêtre glissante entre les modèles classiques de régression et les modèles de prévision neuronaux à l'aide de données multivariées sur la qualité de l'air provenant du sud de l'Ontario, fournissant ainsi des preuves de la performance des modèles sur différents horizons de prévision dans un contexte canadien réel.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais