基于Granger因果-AE-正则化LSTM的PM2.5浓度精准可解释预测模型研究

本文提出GC-AE-RegLSTM创新框架，通过Granger因果检验（GC）增强模型可解释性，结合自编码器（AE）特征降维与L2正则化长短期记忆网络（RegLSTM），显著提升PM2.5预测精度（R2↑2.08%，RMSE↓2.17%），为空气污染预警提供兼具机器学习性能与机理透明度的解决方案。

　　

Highlight

本研究创新性整合Granger因果检验（GC）、自编码器（AE）和L₂正则化长短期记忆网络（RegLSTM），构建GC-AE-RegLSTM模型，实现PM_2.5浓度的高精度可解释预测。

Data sources

采用北京昌平区真实空气质量数据集（UCI公开数据），包含多站点PM_2.5及关联气象参数，原始数据未经修饰以确保研究可靠性。

Preparation before modeling

通过PM_2.5时序可视化揭示浓度波动规律，结合Granger因果检验确定特征间滞后关联（如风速对PM_2.5扩散的延迟效应），为LSTM时间步长设定提供科学依据。采用正交实验设计优化超参数，加速模型收敛。

Conclusion

GC-AE-RegLSTM框架通过三重创新：1）GC检验破解"黑箱"难题，明确PM_2.5驱动因子时序关系；2）AE特征压缩剔除噪声，提升LSTM对关键动态特征的捕捉能力；3）L₂正则化防止过拟合，使模型在复杂环境数据中展现更强鲁棒性。