暂时增强神经网络,以改善PM2.5度的动态预测,以变化和不平衡的分布
Haoze Shi1, Xin Yang1, Hong Tang1
1State Key Laboratory of Remote Sensing Science, Faculty of Geographical Science, Beijing Normal University, Beijing, 100875, PR China.
Journal of environmental management
|April 23, 2025
概括
精确预测细颗粒物 (PM2.5) 对公共健康至关重要. 一种名为Temp-boost的新方法通过解决概念漂移和数据不平衡来改善PM2.5预测,提高准确性,特别是在高污染事件中.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 公共卫生 公共卫生
背景情况:
- 颗粒物 (PM2.5) 暴露,即使在低水平,也与严重的健康风险有关,需要对公共卫生安全进行准确的预测.
- 现有的数据驱动的PM2.5预测模型因未解决的概念漂移和不平衡的数据分布而难以处理季节性性能退化和准确预测极端污染事件.
研究的目的:
- 调查概念漂移和不平衡分布对PM2.5预测准确性的影响.
- 引入和验证一种新的集体学习方法,即临时增强神经网络 (Temp-boost),用于增强PM2.5预测.
主要方法:
- 从随机森林,卷积神经网络和变压器模型中分析PM2.5数据流特征和预测错误.
- 开发Temp-boost,一种集成方法,集成静态模型 (基于平衡的历史数据进行训练) 和动态模型 (基于最近的数据进行训练).
- 对Temp-boost与基线模型的评估,用于预测2019年在中国北方平原上的PM2.5度.
主要成果:
- 与随机森林,CNN和变压器模型相比,temp-boost在不同季节的预测准确性得到了改进.
- 观察到预测高污染水平的显著改进,Temp-boost减少了平均绝对误差 (MAE) 和根平均平方误差 (RMSE).
- 具体来说,对于轻度污染以上的污染水平,Temp-boost 将平均MAE降低了13.22 μgm-3和RMSE降低了13.32 μgm-3,MAE和RMSE的峰值降低分别达到26.45 μgm-3和25.76 μgm-3.
结论:
- 概念漂移和不平衡的分布是影响PM2.5预测性能的关键因素.
- 提议的Temp-boost方法有效地减轻了这些问题,在PM2.5预测中提供了卓越的准确性和可靠性,特别是在高污染条件下.
- 通过更精确的PM2.5预测,Temp-boost为改善空气质量管理和保护公共健康提供了一个有希望的方法.
