基于3DIGAT-CBAM-BiLSTM多尺度注意力融合模型的空气质量时空关联短期预测研究

本文提出了一种创新的多尺度时空预测模型（3DIGAT-CBAM-BiLSTM），通过最大信息系数（MIC）和动态时间序列趋势关联法（DTSTM）筛选高关联监测站点，采用多元变分模态分解（MVMD）与样本熵（SE）重构序列特征，结合改进图注意力网络（IGAT）、卷积块注意力机制（CBAM）和双向长短期记忆网络（BiLSTM），显著提升了空气质量指数（AQI）预测精度，为复杂时空数据建模提供了新范式。

　　

Highlight

本研究通过融合多尺度注意力机制与深度学习技术，构建了面向空气质量预测的3DIGAT-CBAM-BiLSTM模型，显著提升了复杂时空关联下的预测精度与泛化能力。

Conclusions and future work

空气质量变化不仅受时间动态影响，还具有显著的空间异质性。多重因素间的复杂相互作用使传统模型难以有效捕捉AQI的时空模式。为解决这些局限性，本文提出了一种基于注意力机制的多尺度时空预测模型——3DIGAT-CBAM-BiLSTM。通过整合IGAT、CBAM和BiLSTM模块的优势，所提出的模型在捕捉跨站点空间依赖性和时间动态方面表现出色。实验结果表明，该模型在RMSE和MAE指标上分别实现了8.53%和5.83%的相对降低，验证了其卓越的预测性能。

未来的研究工作将聚焦于以下方向：一是探索动态图结构的自适应构建方法，以更好地反映站点间随时间变化的关联强度；二是将模型扩展至多任务学习框架，同步预测多种污染物浓度；三是集成外部突发因素（如工业活动、交通流量等）的实时影响机制，提升模型在异常事件下的鲁棒性。

CRediT authorship contribution statement

Liangqiong Zhu: 概念化，形式分析，方法论，软件，初稿撰写，可视化。

Liren Chen: 软件，验证，形式分析。

Huayou Chen: 软件，验证，形式分析，项目管理，文稿审阅。

Declaration of competing interest

作者声明不存在任何已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文报道的研究工作。