基于随机森林与ARIMA混合模型的可解释空气质量指数预测研究

为解决空气质量指数(AQI)预测中非线性关系与时间序列特征难以兼顾的问题，研究人员开发了结合随机森林回归(RFR)和自回归积分滑动平均(ARIMA)的混合模型，通过SHAP解释框架揭示PM2.5、NO2等关键污染物的贡献，最终实现MSE=508.46、R2=0.94的预测精度，为环境决策提供透明可靠的技术支持。

　　

空气污染已成为全球性环境挑战，细颗粒物(PM_2.5)和二氧化氮(NO₂)等污染物与呼吸系统疾病、心血管并发症密切相关。传统AQI预测方法面临两大困境：统计模型如ARIMA难以捕捉污染物间的非线性相互作用，而机器学习模型如随机森林(RFR)虽能处理复杂特征但缺乏时序建模能力。更关键的是，黑箱模型的可解释性不足阻碍其在公共卫生政策中的应用。

阿联酋迪拜阿米提大学工程学院(Amity University Dubai Campus)的研究团队在《Methods》发表创新研究，提出融合RFR与ARIMA的混合框架：RFR负责建模PM_2.5等污染物与AQI的非线性关系，ARIMA则校正RFR残差中的时间依赖性。通过印度五年AQI数据验证，该模型不仅实现MSE=508.46的精度，更利用SHAP(SHapley Additive Explanations)技术量化了PM_2.5(贡献度0.38)、PM₁₀(0.28)等关键污染物的影响，为精准环境干预提供科学依据。

研究采用三项核心技术：1) 基于5天滚动均值的缺失值填补策略，保留数据时序特征；2) 扩展窗口交叉验证(Expanding Window Cross-Validation)确保时间序列预测的严谨性；3) 两阶段建模流程——先用RFR预测AQI，再用ARIMA(1,0,1)拟合残差。实验使用Kaggle平台印度城市级监测数据，包含PM_2.5、SO₂等6类污染物指标。

【方法细节】
残差学习混合架构：RFR首阶段预测达到R2=0.917，但残差分析显示存在未建模的时间自相关性。二阶ARIMA将残差MSE降低16.18，证明其有效捕获了RFR遗漏的时序模式。Ljung-Box检验(p>0.05)确认残差呈白噪声，验证模型完备性。

【模型验证】
与LSTM、XGBoost等基准模型相比，该混合模型在保持可解释性前提下，预测精度提升23%。SHAP分析揭示PM_2.5对AQI预测的贡献超NO₂的2.7倍，与流行病学研究结论一致。不确定性带(Uncertainty Bands)显示模型对突发污染事件(如节日排放)的响应灵敏度。

【讨论与结论】
该研究创新性地将机器学习预测力与传统时序分析方法结合，其核心价值在于：1) 通过残差校正机制弥补单一模型缺陷，比深度学习方法更易部署；2) SHAP框架使模型决策透明化，PM_2.5等关键因子的量化影响可直接指导减排政策；3) 时间感知的验证策略确保预测可靠性。局限在于对突发污染事件的响应延迟，未来可整合气象等外生变量提升动态预测能力。这项研究为资源受限地区提供了兼顾精度与解释性的AQI预测范式。