融合时序分解与智能优化的空气质量指数深度学习预测模型研究

为解决空气质量预测中非平稳性、多尺度周期性和突发干扰等挑战，研究人员提出STL-TimesNet-iTransformer-CPO混合框架，通过STL分解、TimesNet和iTransformer协同建模及CPO优化，显著提升AQI预测精度。实验表明该模型在单步和多步预测中R2分别达0.981和0.954，为区域空气质量管理提供可靠工具。

　　

空气污染已成为全球性环境挑战，尤其在中国工业化城市中，PM_2.5和PM₁₀等污染物导致的健康风险日益严峻。传统预测方法如ARIMA和LSTM难以应对AQI数据的非线性、多周期性和突发扰动特性。针对这一难题，中国的研究团队在《Results in Engineering》发表论文，提出了一种创新性的STL-TimesNet-iTransformer-CPO混合模型，通过结构分解、多尺度建模和智能优化的协同策略，实现了高精度空气质量预测。

研究采用季节性趋势分解（STL）将AQI序列拆分为趋势、季节和残差分量，分别由TimesNet和iTransformer建模，并引入冠豪猪优化器（CPO）自动调参。实验数据涵盖长春市2014-2023年的AQI及气象指标，通过Spearman相关性和SHAP值分析筛选出PM_2.5和PM₁₀作为核心特征。

4.1 数据集划分实验
对比不同测试集规模发现，650样本的划分在单步和多步预测中均表现最优，R²分别达0.981和0.954，验证了数据划分的合理性。

4.2 优化算法对比
CPO在两项任务中均超越PSO和GA，单步预测R²提升1.97%，证实其全局搜索能力。

4.3 基准模型对比
该模型显著优于TCN-Informer-SSA等7种基线，单步预测RMSE（3.679）比第二名降低43.37%，凸显结构优势。

4.4 消融实验
移除STL或CPO模块会导致R²下降4%-6%，证明各组件协同增效的必要性。

4.5 跨城市验证
在北京、广州等五市测试中，模型R²稳定在0.93以上，但北京因污染源复杂表现相对较弱（RMSE=8.723），体现地域适应性差异。

4.6 多步与小时级预测
20步长预测时R²降至0.902，而小时级预测仍保持0.977的R²，显示模型在细粒度时序中的潜力。

该研究通过"分解-协作-优化"框架，首次将TimesNet的周期感知能力与iTransformer的特征维度注意力机制结合，解决了传统模型在长序列和突发扰动中的局限性。CPO的应用使超参数调优效率提升30%以上，为复杂环境预测提供了新范式。未来可通过集成异常检测和动态时间窗口，进一步提升对极端事件的预警能力。