基于特征空间重建和多头自我注意力门式循环单元的新型混合数据驱动建模:应用于PM2.5度预测
Xiaoxin Yue1, Yulong Bai2, Qinghe Yu1
1College of Physics and Electrical Engineering, Northwest Normal University, Lanzhou, 730070, Gansu, China.
Scientific reports
|May 16, 2025
概括
这项研究引入了一种新型模型,通过重建特征空间并使用多头自我注意门的循环单元来预测PM2.5度. 该模型有效地捕捉定期和全球数据特征,显著提高预测准确性.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 机器学习模型经常忽视PM2.5预测序列数据中的周期性和全球性模式.
- 准确的PM2.5度预测对于环境监测和公共卫生至关重要.
研究的目的:
- 开发一个先进的PM2.5度预测模型,解决现有方法的局限性.
- 通过结合特征空间重建和先进的深度学习技术,提高PM2.5预测的准确性和概括能力.
主要方法:
- 基于Loess (STL) 的频谱分析和季节性趋势分解被用来确定PM2.5数据的周期性和趋势.
- 功能空间重建集成原始数据与分解的季节性,趋势和剩余组件.
- 采用多头自我注意门式反复单元 (MSAGRU) 来处理重建的特征并捕获全球依赖.
主要成果:
- 拟议的FSR-MSAGRU模型在六个数据集中实现了超过0.98的皮尔森相关系数 (PCC).
- 该模型显示,与GRU模型相比,对称平均绝对百分比误差 (SMAPE) 显著减少至少68%.
- 与其他13种模型进行的比较分析证实了优越的预测性能和概括能力.
结论:
- 该FSR-MSAGRU模型有效地整合了特征重建和注意力机制,以改善PM2.5预测.
- 提出的方法为时间序列预测问题提供了可靠的解决方案,特别是在环境应用中.
- 该模型能够捕捉复杂的时间动态,从而提高其在现实世界空气质量监测系统中的应用性.
