基于机器学习预测与随机优化的PM2.5 时空监测及减排策略研究

针对加拿大安大略省PM2.5 污染治理难题，研究者创新性地提出"预测-优化"双阶段框架，集成XGBoost、LSTM等机器学习模型与两阶段随机规划（two-stage stochastic programming），实现PM2.5 浓度预测（RMSE=3.305）与最优减排政策制定双重突破，为协同解决公共卫生与环境可持续发展提供决策范式。

　　

随着工业化进程加速，细颗粒物（PM_2.5
，空气动力学直径<2.5微米的颗粒物）污染已成为全球公共卫生危机。加拿大卫生部数据显示，2021年空气污染导致约1.5万人死亡，其中PM_2.5
因其可深入肺泡的特性，与心血管疾病、呼吸系统疾病显著相关。更严峻的是，安大略省2013-2022年间仅少数城市年均PM_2.5
浓度低于世界卫生组织（WHO）推荐的5μg/m³
限值。传统研究多聚焦于污染预测，却缺乏将预测转化为实际减排政策的系统性方法，这种"预测-行动"的断层使得精准治理陷入困境。

为突破这一瓶颈，研究人员开创性地构建了"预测-优化"（predict-then-optimize）框架。该研究首先利用气象、野火及历史空气质量数据，对比评估随机森林（Random Forest）、XGBoost、长短期记忆网络（LSTM）等六种机器学习模型的预测性能，其中集成模型以RMSE=3.305的优异表现胜出。随后将预测结果输入两阶段随机规划模型：第一阶段规划长期减排政策（如工业排放管控），第二阶段根据实际污染偏差启动短期应急措施（如交通限行）。模型特别考虑PM_2.5
浓度不确定性，在预算约束下最小化污染物超标期望值。

关键技术方法包括：1）整合气象、野火及PM_2.5
时序数据的多源数据集；2）Stacked LSTM等深度学习架构处理时空特征；3）两阶段随机规划建模政策选择的动态适应性；4）基于安大略省10个城市真实数据的验证体系。

【机器学习预测模型】
通过对比实验发现，集成模型在测试集上RMSE（3.305）显著优于单一模型，其成功关键在于融合了XGBoost处理特征交互的优势与LSTM捕捉时序依赖的能力。特别值得注意的是，野火数据对夏季PM_2.5
峰值预测贡献率达27%。

【两阶段随机优化】
当预算设为2000万加元时，模型推荐多伦多优先实施工业除尘改造（第一阶段），同时为渥太华预留移动监测车部署预算（第二阶段）。敏感性分析显示，考虑预测不确定性可使政策组合的鲁棒性提升41%。

【政策效果验证】
优化后的政策组合使80%城市PM_2.5
年均值降至4.8μg/m³
以下，较实施前下降22%。值得注意的是， Thunder Bay等工业城市通过"预测-优化"框架识别出被传统方法忽略的跨境污染传输问题。

该研究的里程碑意义在于：首次实现从PM_2.5
预测到政策制定的闭环管理，其两阶段随机规划模型为应对环境决策不确定性提供普适性框架。Simon Helyar和Aliaa Alnaggar在讨论中指出，该方法可扩展至臭氧、NO₂
等污染物治理，但需注意区域特异性政策成本效益比的动态评估。未来研究将探索联邦学习（Federated Learning）在跨区域数据共享中的应用，以进一步提升预测精度。这项发表于《Journal of Environmental Management》的成果，为全球城市空气质量精准治理树立了新范式。