一个PM2.5时空预测模型基于混合图卷积GRU和自我注意网络
Zhao Guyu1, Yang Xiaoyuan1, Shi Jiansen1
1School of Information Science and Engineering, Yanshan University, Qinhuangdao, 066000, Hebei, China.
Environmental pollution (Barking, Essex : 1987)
|February 10, 2025
概括
这项研究介绍了MGCGRU-SAN,这是一种用于预测空气污染的新型模型. 它通过分析来自多个站的短期和长期历史数据模式,准确预测PM2.5度.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 大气化学 大气化学
背景情况:
- 空气污染的增加需要准确的预测模型.
- 现有的模型难以结合当地/邻近电台的数据和长期历史模式.
- 颗粒物2.5 (PM2.5) 对健康构成重大风险,需要精确的预测.
研究的目的:
- 为PM2.5度开发一个先进的时空预测模型.
- 有效地整合短期的时空依赖和长期的时间模式.
- 为了提高多站,多时间的PM2.5预测准确度.
主要方法:
- 拟议的MGCGRU-SAN模型结合了混合图卷积GRU (MGCGRU) 和自我注意网络 (SAN) 模块.
- MGCGRU捕捉了各站的短期时空依赖关系.
- SAN分析细分的长期历史PM2.5数据以确定时间模式.
主要成果:
- MGCGRU-SAN模型在多步预测方面取得了显著的改进.
- 与基线模型相比,实现了9.62% (RSE),6.33% (MAE) 和4.98% (RMSE) 的改进.
- 超过最佳基线的表现平均为8.34% (RSE),6.12% (MAE),4.06% (RMSE) 和2.60% (相关性).
结论:
- 该MGCGRU-SAN模型有效地捕捉了短期和长期的模式,用于优越的PM2.5预测.
- 时间空间和长期时间分析的整合提高了预测的准确性.
- 该模型显示了多站长期PM2.5度预测的强性能.
