基于条件扩散模型的臭氧浓度生成式插补与预测方法

为解决地面臭氧监测数据缺失影响预测精度的问题，研究人员提出SSSD-Transformer模型，结合结构化状态空间扩散(SSSD)与Transformer架构，通过注入多源条件信息实现臭氧序列的高精度插补与预测。实验表明该方法在MCAR/MAR/MNAR三种缺失场景下均优于传统方法，预测稳定性随周期延长保持良好，为环境治理提供可靠数据支撑。

　　

近年来，中国通过环境治理政策显著改善了空气质量，但臭氧(O₃)污染问题日益突出。2024年上半年，全国339个城市O₃平均浓度达147 μg/m3，北京同比上升11.4%至195 μg/m3。臭氧污染不仅威胁人体健康，其监测数据的高缺失率（由传感器故障、系统不稳定等导致）更严重影响预测模型效能。传统插补方法如均值填充或数据删除忽视气象与污染物关联规律，而物理模型WRF-CMAQ等依赖高成本排放清单。如何实现高精度数据修复与预测成为环境科学领域的关键挑战。

针对这一难题，中国某研究团队在《Journal of Hazardous Materials》发表研究，提出SSSD-Transformer生成式模型。该方法创新性地将空气质量指数(AQI)、污染物指标和气象数据作为条件信息注入扩散模型框架，联合结构化状态空间模型(SSSD)处理长程依赖与Transformer捕捉细节模式。研究采用北京地区2019-2022年监测数据，构建包含MCAR（完全随机缺失）、MAR（随机缺失）、MNAR（非随机缺失）三种场景的测试集，通过R²、MRE等指标评估性能。

主要技术方法
研究整合扩散模型的逐步去噪机制与SSSD的线性复杂度优势，设计双分支噪声预测网络：SSSD分支通过状态方程建模臭氧时间趋势，Transformer分支分析多源条件信息的非线性交互。训练阶段采用马尔可夫链逐步添加高斯噪声，推理时通过条件引导生成完整序列。数据来源于北京市35个监测站点的O₃、NO₂等6项污染物及温度、湿度等8项气象参数。

研究结果

1. 缺失数据插补性能：在12.5%-50%缺失率下，SSSD-Transformer的RMSE较CSDI模型降低18.7%-23.2%，MRE改善21.5%。MNAR场景下预测区间覆盖率(PICP)达92.3%，显著优于传统LSTM-EMA混合模型。
2. 长期预测稳定性：72小时预测中MAE波动幅度<5%，而ConvGRU模型误差增长达32%。季节测试显示夏季预测R²保持0.89，克服了传统方法对臭氧日变化敏感的缺陷。
3. 条件信息贡献分析：消融实验表明，加入气象条件使插补准确率提升14.8%，污染物交叉特征贡献率达21.3%。

结论与意义
该研究首次实现臭氧序列的生成式联合插补与预测，通过SSSD-Transformer框架有效融合物理规律（如O₃-NO_x光化学平衡）与数据驱动特征。环境启示部分强调，模型输出的完整序列可支持精准溯源分析，例如识别京津冀地区O₃传输路径。方法论层面，加权组合策略（SSSD权重0.63±0.05，Transformer权重0.37±0.03）为多模态时间序列建模提供新范式。研究获国家重点研发计划（2023YFB3308903）支持，成果已应用于北京市生态环境局臭氧预警系统。