基于LCDAN模型的PM2.5传输网络风险演化机制及路径预测研究

本文针对区域PM2.5污染传输网络的风险动态演化问题，提出了一种融合Lasso-Cox生存分析（LCDAN）和图神经网络的创新模型。研究团队通过构建PM2.5传播路径网络，结合GARCH波动率分析和xLSTM时序注意力机制，实现了对PM2.5传输风险路径的精准预测和演化规律解析。结果表明，该模型在Fenwei平原案例中准确识别出高风险传输路径（如节点46→58），风险预测准确率达92%，较传统方法提升10%以上。这项研究为区域大气污染联防联控提供了重要的理论支撑和技术工具。

　　

随着工业化进程加速，区域复合型大气污染问题日益凸显，其中细颗粒物（PM_2.5）的跨区域传输现象尤为复杂。传统监测手段难以捕捉PM_2.5在空间网络中的动态传播规律，导致风险预警存在滞后性。尤其在Fenwei平原等重点区域，工业排放源密集分布，PM_2.5通过大气环流形成复杂的传输网络，如何精准预测污染路径并量化风险演化成为环境治理的难点。

为破解这一难题，研究团队创新性地将生存分析理论与深度学习相结合，构建了LCDAN（Lasso-Cox Dynamic Attention Network）模型。该研究首次系统整合了PM_2.5浓度数据、气象要素、地理信息等多元特征，通过1575个监测站点构建了包含3961条传输路径的动态网络。关键技术方法包括：基于GARCH(1,1)模型的PM_2.5浓度波动率量化，运用Lasso-Cox回归筛选关键风险因子，采用图神经网络（GNN）提取路径空间特征，结合xLSTM时序注意力机制捕捉传播动态，最终通过风险演化网络实现五级风险分类（正常/低/中/高/严重）。

PM_2.5聚合网络构建与特征分析

通过监测站点数据构建有向网络图，节点表征地理位置，边代表PM_2.5传输路径。研究发现网络复杂度与污染风险呈正相关，边缘密度每增加0.1，风险概率上升7.2%。热力图显示不同子网络风险存在显著异质性，如西安工业区节点46向周边辐射形成高风险簇。

波动率建模与路径可达性分析

GARCH模型验证了PM_2.5浓度序列具有尖峰厚尾特征（峰度6.38，偏度1.44）。通过可达路径算法识别出3652条有效传播路径，其中节点46→58路径的波动率指数（VI）达0.73，表明该路径具有高不确定性风险。

风险演化网络性能验证

LCDAN模型在五级风险分类任务中表现卓越：正常风险F1值0.8566，高风险类别达0.9765，宏观F值（MacroF）0.8233，显著优于对比模型。SHAP分析揭示工业气体排放（IGE）是首要风险驱动因子（SHAP值11.59），风速与湿度呈现协同调控效应。

典型案例实证研究

以西安2019-2023年霾污染过程为例，模型成功预测出12月26-29日的高风险传输网络。Sankey图显示节点46作为关键枢纽，连接79和58等高风险节点，形成系统性污染聚集。实证表明该区域超过600万人口暴露于50%以上的PM_2.5风险阈值。

本研究通过多学科交叉模型创新，实现了PM_2.5传输风险从静态评估向动态演化的突破。LCDAN框架不仅精准量化了路径传播概率，还揭示了工业排放与气象因子的非线性交互机制。研究提出的阈值预警机制（如10-12天关键监测期）为区域污染应急响应提供了科学依据。该成果发表于《Results in Engineering》，对完善大气环境治理体系具有重要实践价值。