可解释时空模型平均法在减污降碳协同控制度预测中的应用研究

为解决气候变化与空气质量调控难题，来自中国的研究团队创新性地构建了可解释时空模型平均法（STMA），用于省级减污降碳协同控制度的点区间预测。研究提出图卷积长程Transformer（GCLT）模型，整合图卷积网络（GCN）获取空间关联，简化Transformer捕捉长期时序特征，结合STIRPAT经济模型生成多视角预测，最终通过时空加权优化实现优于基准方法的预测性能，为绿色可持续发展提供决策支持。

　　

温室气体减排与大气污染物协同控制是应对气候变化、改善空气质量的关键战役。这项研究构建了革命性的可解释时空模型平均框架，专门针对中国省级尺度的减污降碳协同控制度进行精准预测。科研团队巧妙设计了图卷积长程Transformer（Graph Convolutional Long Transformer, GCLT）作为核心引擎：通过图卷积网络（Graph Convolutional Network, GCN）解析省份间的空间关联，采用精简Transformer模块捕捉长期时间依赖，并引入跳跃连接缓解梯度消失。更精妙的是，研究将STIRPAT（Stochastic Impacts by Regression on Population, Affluence and Technology）经济理论模型融入系统，使预测结果能动态反映节点间的社会经济联系。

多视角预测结果经过时空模型平均法的三重优化——线性算子校正、空间误差补偿和权重系数调优，最终形成兼具解释性与准确性的预测系统。实证采用中国省级减污降碳数据验证，该系统在点预测和区间预测方面均展现显著优势。这项研究不仅为环境政策制定者提供了"减污降碳协同管控"的量化工具，其创新的GCLT-STIRPAT耦合框架更为复杂系统建模开辟了新思路，对推动绿色低碳转型具有重要实践价值。