基于多准则节点重要性与分层贪心聚类的 PM2.5 时空预测研究

《Sustainability》：A Spatiotemporal PM2.5 Prediction Model Based on Multi-Layer Clustering Node Partitioning Strategy and Multi-Criteria Node Importance Evaluation System

　　PM_2.5浓度的精准时空预测为城市空气污染预警与防治提供了技术支持。针对现有大规模PM_2.5预测方法中预测精度不足、时空训练成本高昂的问题，本研究提出了一种多准则节点重要性评估体系与分层贪心K-Means聚类算法相结合的PM_2.5时空建模方法。首先，选取中国东南部559个监测站的空气污染物和气象数据进行建模，并基于改进的Loess季节性趋势分解方法（ISTL）进行特征增强。其次，利用聚类算法将各监测站划分为多个站群，随后计算各站群的节点重要性，引入地形因子参与站点重要性建模，时空预测采用MCN-NIE-TCNTRANS模型（基于多层聚类节点分区与节点重要性评估体系的TCN-Transformer模型）。最后，通过跨模型对比实验与消融实验评估模型性能。结果表明，多准则节点重要性评估体系能有效提升模型预测性能，在不显著增加时空成本的前提下优于次优模型，平均R²提升1.92%，MAE降低3.07%。本研究为可持续城市生态发展提供了定量评估与决策支持。