对PM2.5预测的深度学习时间序列模型的评估,跨越多个不同地平线
Ling Zeng1, Runan Dong1,2, Meng Yuan1,2
1Geomathematics Key Laboratory of Sichuan Province, Chengdu Technological University, Chengdu 610059, China.
iScience
|February 18, 2026
概括
在成都,变压器-LSTM模型擅长预测PM2.5 (颗粒物). 整合气象数据并确保完整的季节性培训显著提高空气质量管理的预测准确性.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 大气化学 大气化学
背景情况:
- 城市空气污染,特别是PM2.5,在像中国成都这样的城市中对公共健康构成重大风险.
- 地理因素 (盆地地形) 和高排放水平加剧PM2.5度,需要准确的预测.
- 现有的预测方法可能无法完全捕捉PM2.5的复杂动态,受各种环境因素的影响.
研究的目的:
- 评估四个深度学习时间序列算法 (LSTM,CNN-LSTM,变压器,变压器-LSTM) 的PM2.5预测性能.
- 用辅助污染物和气象数据比较单变量和多变量模型配置.
- 评估数据完整性和预测期对预测准确性的影响.
主要方法:
- 利用了来自中国成都的两年的每日PM2.5数据 (2022年11月至2024年10月).
- 在单变量和多变量设置中比较LSTM,CNN-LSTM,变压器和变压器-LSTM模型.
- 包含的辅助污染物 (CO,NO2,O3,SO2) 和气象因素 (温度,压力,降水,风速).
- 在不同的预测视野 (月度,季节性,半年,年) 和数据完整性场景中评估模型.
主要成果:
- 变压器-LSTM表现出卓越的性能,由较高的R平方和较低的MAE%和RMSE%值表明.
- 增加气象因素的模型产生了比仅使用辅助污染物更好的结果.
- 完整的季节性训练数据集显著改善了模型性能.
- 在培训数据中超过三个月的差距,由于PM2.5动态的变化,降低了预测可靠性.
结论:
- 深度学习模型,特别是变压器-LSTM,在复杂的城市环境中对PM2.5预测非常有效.
- 气象数据集成对于提高PM2.5预测准确度至关重要.
- 保持季节性数据的完整性和及时预测对于可靠的空气质量管理策略至关重要.
