PM2.5の予測のためのディープラーニングタイムシリーズモデルの評価は,さまざまな地平線で予測されています.
Ling Zeng1, Runan Dong1,2, Meng Yuan1,2
1Geomathematics Key Laboratory of Sichuan Province, Chengdu Technological University, Chengdu 610059, China.
iScience
|February 18, 2026
まとめ
トランスフォーマー-LSTMモデルは,成都のPM2.5 (粒子状物質) の予測に優れています. 気象データを統合し,完全な季節訓練を保証することで,大気質管理の予測精度が大幅に向上します.
科学分野:
- 環境科学 環境科学
- データサイエンス データサイエンス
- 大気化学 大気化学
背景:
- 都市空気の汚染,特にPM2.5は,中国の成都のような都市で公衆衛生に重大なリスクをもたらす.
- 地理的要因 (流域地形) と高い排出レベルは,PM2.5濃度を増大させ,正確な予測を必要とします.
- 既存の予測方法は,さまざまな環境要因の影響を受けるPM2.5の複雑な動態を完全に捉えることができない可能性があります.
研究 の 目的:
- PM2.5予測のための4つのディープラーニングタイムシリーズアルゴリズム (LSTM,CNN-LSTM,トランスフォーマー,トランスフォーマー-LSTM) のパフォーマンスを評価する.
- 補助汚染物質と気象データを用いて単変数と多変数モデルの構成を比較する.
- 予測の正確性に対するデータ完全性や予測期間の影響を評価する.
主な方法:
- 中国の成都 (2022年11月~2024年10月) の2年間の毎日のPM2.5データを活用した.
- LSTM,CNN-LSTM,トランスフォーマー,およびトランスフォーマー-LSTMモデルを単変数および多変数設定で比較しました.
- 組み込まれている補助汚染物質 (CO,NO2,O3,SO2) と気象要因 (気温,圧力,降水,風速).
- 異なる予測期間 (月間,季節,半年,年) とデータ完全性シナリオにおけるモデル評価.
主要な成果:
- トランスフォーマー-LSTMは,より高いR平方値とより低いMAE%とRMSE%値によって示された優れた性能を示しました.
- モデルに気象学的要因を加えることで,補助的な汚染物質のみを使用するよりも優れた結果が得られました.
- 完全な季節訓練データセットは,モデルのパフォーマンスを大幅に改善しました.
- 訓練データにおける3ヶ月を超えるギャップは,PM2.5の動態が変化しているため,予測の信頼性を低下させた.
結論:
- ディープラーニングモデル,特にTransformer-LSTMは,複雑な都市環境でのPM2.5予測に有効です.
- 気象データの統合は,PM2.5の予測の精度を高めるために極めて重要です.
- 季節性データの完全性およびタイムリーな予測を維持することは,信頼性の高い空気質管理戦略にとって不可欠です.
