基于注意力机制与混合堆叠双向长短期记忆网络的空气质量预测方法研究

《Scientific Reports》：Hybrid stacked bidirectional deep learning with attention based air pollution prediction for environmental sustainability

　　

环境可持续性下的空气污染监测需要利用物联网（Internet of Things, IoT）设备和人工智能（Artificial Intelligence, AI）等先进技术实时追踪空气质量，通过控制政策和措施减少污染，以确保长期环境健康。该机制通过保护公众、应对气候变化和建设更具韧性的社区来促进可持续发展。因此，污染物浓度监测对于将污染物浓度控制在可控范围内具有至关重要的意义。然而，污染物浓度监测并非易事，因为它需要安装监测站来获取相关污染物数据，这带来了高昂的安装和维护成本。在本研究中，研究人员尝试使用深度学习（Deep Learning, DL）方法，通过应用混合堆叠双向长短期记忆网络与注意力机制（Hybrid Stacked Bi-directional Long Short-Term Memory with Attention Mechanism, HSBi-LSTMA）方法，对孟加拉国达卡三个地区的污染物浓度进行模拟，以实现环境可持续性。研究引入了一种专门设计的、用于编码和生成多类别不平衡结果的模型，该模型采用基于标签编码合成编辑最近邻（Label Encoded Synthetic Edited Nearest Neighbor）的预处理方法，针对提供的不同空气污染浓度特征作为输入。随后，混合堆叠双向长短期记忆网络与注意力机制首先使用注意力机制从原始空气污染浓度特征中选择最具影响力的特征，然后使用混合堆叠双向长短期记忆网络生成空气污染预测的分类结果。研究在物联网生成的空气污染监测数据集上进行了大量实验，将HSBi-LSTMA方法与两种现有方法进行了比较。结果表明，与现有方法相比，HSBi-LSTMA方法将空气污染预测准确率显著提高了25%，并将平均绝对误差降低了46%。由此，HSBi-LSTMA方法代表了在推进环境可持续性方面的一个显著进展。

一、研究背景与问题提出

空气污染已成为全球范围内，尤其是发展中国家面临的严峻环境挑战。快速的城市化与工业化进程导致空气质量持续恶化，多个大城市的污染物浓度屡屡超过国家和国际安全阈值。空气污染不仅直接威胁公众健康，诱发呼吸系统疾病、心血管疾病乃至癌症，还对生态环境造成长期损害。因此，准确预测空气质量对于制定有效的污染控制政策、保护公众健康以及促进环境可持续性发展具有至关重要的意义。

然而，传统的空气污染监测方法面临诸多局限。首先，污染物浓度监测需要安装大量监测站，其安装和维护成本高昂，难以实现大范围、高密度的覆盖。其次，传统固定式监测系统难以覆盖动态区域，无法满足实时监测的需求。此外，空气污染数据具有高度非线性、多变量、时序性强等特点，且常存在多类别不平衡问题，传统机器学习方法难以准确捕捉其复杂的内在规律。现有深度学习模型虽在空气污染预测领域有所应用，但在处理多类别不平衡数据、特征选择效率、预测精度以及误差控制等方面仍存在不足。因此，亟需开发一种能够有效处理上述挑战的新型空气污染预测方法，以提升预测精度和效率，为环境可持续性管理提供有力支撑。

二、研究内容与核心结论

针对上述问题，本研究提出了一种名为混合堆叠双向长短期记忆网络与注意力机制（HSBi-LSTMA）的新型空气污染预测方法。该方法以孟加拉国达卡市三个地区（Kuril Bishow Road、Uttara和Tongi）为研究对象，利用物联网（IoT）设备实时采集的空气污染监测数据，旨在实现对SO?、NO?、CO、O?、PM2.5和PM10等主要污染物浓度的未来24小时预测。研究通过系统性的实验验证，将HSBi-LSTMA方法与两种现有先进方法（TRANS_GRU和STL-TimesNet-iTransformer-CPO）进行了对比分析。结果表明，HSBi-LSTMA方法在多个关键性能指标上均表现优异：空气污染预测准确率显著提高了25%，平均绝对误差（MAE）降低了46%，同时有效降低了误报率（FPR）并缩短了预测时间。这一成果证明了HSBi-LSTMA方法在空气污染预测领域的显著优势，为环境可持续性监测提供了高效、精准的技术方案，具有重要的理论价值和实际应用意义。

三、关键技术方法概述

本研究采用的核心技术方法主要包括以下三个部分。第一，标签编码合成编辑最近邻（Label Encoded Synthetic Edited Nearest Neighbor）预处理方法：该方法首先通过标签编码（Label Encoding）将分类特征（如地区地址）转换为数值格式，保留数据的序数关系；随后利用合成少数类过采样编辑最近邻（SMOTE-ENN）技术解决多类别不平衡问题，通过生成合成样本来平衡各类别样本数量；最后对经纬度特征进行Min-Max归一化处理，以提升模型训练效率。第二，混合堆叠双向长短期记忆网络与注意力机制（HSBi-LSTMA）：该模型采用24个LSTM单元对应24小时记录进行堆叠，通过双向处理（前向和后向传播）捕捉时序数据中的长期依赖关系，同时引入注意力机制自动选择最具影响力的污染特征，从而提升预测精度并降低误报率。第三，系统性的对比验证方法：研究在物联网生成的空气污染监测数据集（来源于Mendeley Data，包含155,405条样本记录）上，将HSBi-LSTMA与TRANS_GRU和STL-TimesNet-iTransformer-CPO两种现有方法进行了全面比较，采用准确率、精确率、预测时间、误报率和平均绝对误差五个指标进行评估，并通过10次迭代仿真确保统计可靠性。

四、研究结果分析

（一）空气污染预测准确率与精确率分析

研究通过计算真阳性率（TP）、假阳性率（FP）、真阴性率（TN）和假阴性率（FN）来评估模型的准确率（Accuracy）和精确率（Precision）。实验结果表明，HSBi-LSTMA方法的空气污染预测准确率相比TRANS_GRU方法提高了10%，相比STL-TimesNet-iTransformer-CPO方法提高了15%。精确率方面，HSBi-LSTMA方法相比TRANS_GRU方法提高了11%，相比STL-TimesNet-iTransformer-CPO方法提高了16%。这一优势主要归因于双向LSTM的堆叠结构能够有效组织多层LSTM单元，捕捉更高层次的特征，从而提升整体预测性能。

（二）空气污染预测时间分析

研究以预测时间（单位：秒）作为计算复杂度的衡量指标。实验结果显示，随着样本数量从10,000增加到100,000，三种方法的预测时间均呈上升趋势，但HSBi-LSTMA方法的预测时间始终低于两种对比方法。具体而言，HSBi-LSTMA方法的预测时间相比TRANS_GRU方法减少了10%，相比STL-TimesNet-iTransformer-CPO方法减少了26%。这一效率提升主要得益于标签编码合成编辑最近邻预处理方法对数据分布的有效优化，减少了模型处理复杂度和训练时间。

（三）误报率（FPR）分析

误报率（FPR）是衡量模型将正常样本错误分类为异常样本比例的重要指标。实验结果表明，虽然在前六次迭代中三种方法的误报率均有所上升，但在后续迭代中HSBi-LSTMA方法的误报率显著低于两种对比方法。具体而言，HSBi-LSTMA方法的误报率相比TRANS_GRU方法降低了17%，相比STL-TimesNet-iTransformer-CPO方法降低了37%。这一结果验证了注意力机制在特征选择方面的有效性，通过聚焦最具预测性的关键特征，有效降低了误报率。

（四）平均绝对误差（MAE）分析

平均绝对误差（MAE）用于衡量模型预测值与实际值之间的平均偏差程度。实验结果表明，HSBi-LSTMA方法在MAE指标上表现最佳，相比两种对比方法显著降低了预测误差。这一优势主要归因于双向LSTM的前向和后向传播机制，能够更全面地捕捉空气污染物随时间变化的复杂规律，从而有效降低预测误差。

五、讨论与结论总结

讨论部分： 研究讨论部分指出，HSBi-LSTMA方法通过整合双向处理与多层LSTM堆叠的优势，有效提升了模型对复杂空气污染时序数据的建模能力。注意力机制的引入使得模型能够动态聚焦于最具预测价值的关键特征，避免了无关特征的干扰，从而在提升预测精度的同时降低了误报率。预处理方法有效解决了多类别不平衡问题，提升了模型的泛化能力和训练效率。综合来看，HSBi-LSTMA方法在准确率、精确率、预测时间、误报率和平均绝对误差五个维度上均优于对比方法，展现了其在空气污染预测领域的显著优势。

结论部分： 本研究成功提出并验证了一种基于混合堆叠双向长短期记忆网络与注意力机制（HSBi-LSTMA）的空气污染预测方法。该方法通过创新的预处理技术有效解决了多类别不平衡问题，通过双向堆叠LSTM结构增强了时序特征的捕捉能力，通过注意力机制实现了关键特征的自适应选择。在达卡市三个地区的物联网空气污染监测数据集上的实验结果表明，HSBi-LSTMA方法相比现有先进方法在预测准确率上提高了25%，在平均绝对误差上降低了46%，同时有效降低了误报率并缩短了预测时间。该方法的成功应用为环境可持续性监测提供了高效、精准的技术方案，对推动空气污染控制实践和环境保护政策的制定具有重要的参考价值和现实意义。