Bei der Vorbereitung von Daten für die Analyse oder prädiktive Modelle sind die Reinigung und Vorverarbeitung wesentliche Schritte. Zur Preprocessing gehört auch die Normalisierung, bei der numerische Attribute auf einen Standardbereich skaliert werden, in der Regel zwischen 0 und 1 oder -1 und 1, um genaue Vergleiche zu ermöglichen und zu verhindern, dass einige Merkmale die Auswertung überschreiben. Die Datenbereinigungsmethode wird eingesetzt, um Fehler und Unregelmäßigkeiten aus dem gesammelten Luftqualitätsdatensatz \(AQ_{da}^{gath}\) zu finden und zu beseitigen. Es gibt bestimmte Arten von verzerrten Daten, Anomalien, unerwünschte Qualitäten und irrelevante Informationen unter den Eingabedaten. Das Entfernen multivariater Ausreißer wird basierend auf der Schätzung des Mahalanobis-Abstands durchgeführt.
Zur Steigerung der Vorhersagegenauigkeit wird vorgeschlagen, die gewichtete Merkmalsauswahl zu berechnen. Das empfohlene FEO-PFA verwendet die bereinigten Luftqualitätsdaten \(CD_{kc}^{clean}\) als Eingabe, um die bestmögliche Lösung für die umgebenden Luftmerkmale zu finden. Durch die Gewichtung der optimal ausgewählten Merkmale kann die relative Wirkung jedes Merkmals berechnet werden. Der gewichteten Merkmalsauswahl liegt eine klar definierte Zielsetzung zugrunde, nämlich die Verbesserung der Prognosefähigkeit anhand des Prozesses der gewichteten Merkmalsauswahl.
Die Endvorhersage des entwickelten AQP-Modells kann durch Optimierung der Elemente im TCN wie Kernelgröße, Filtergröße, Epoche und den Zufallszustand sowie der Merkmale und Gewichte für die gewichtete Merkmalsauswahl verbessert werden. Diese Parameteroptimierung wird durch das empfohlene FEO-PFA erreicht. Der FEO-PFA basiert auf dem EOO26-Algorithmus und ist darauf ausgelegt, die Berechnungsgenauigkeit zu verbessern. Er kombiniert den EOO-Algorithmus mit dem PFA, um lokale Schwächen zu überwinden und eine verbesserte Vorhersageausgabe zu erzielen.