一种基于多尺度分解与自适应通道学习的多元及单变量细颗粒物预报统一框架
《Engineering Applications of Artificial Intelligence》:A unified framework for multivariate and univariate fine particulate matter forecasting using multiscale decomposition and adaptive channel learning
【字体:
大
中
小
】
时间:2026年02月03日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
唐森黄|唐博渊|李奇 中国湖南科技大学信息工程学院,永州,425199 摘要:准确预测细颗粒物浓度对于保护公众健康和改善空气质量管理至关重要。然而,现有模型往往难以处理非线性、非平稳性特征,多尺度表征能力有限,且在不同城市和污染物类型间的泛化性能较差。尽管已有许多基于深度学习与统
唐森黄|唐博渊|李奇 中国湖南科技大学信息工程学院,永州,425199 摘要:准确预测细颗粒物浓度对于保护公众健康和改善空气质量管理至关重要。然而,现有模型往往难以处理非线性、非平稳性特征,多尺度表征能力有限,且在不同城市和污染物类型间的泛化性能较差。尽管已有许多基于深度学习与统计学的方法被提出,但目前仍缺乏一种能够同时处理多变量污染物-气象相互作用以及单变量细颗粒物动态变化,并在多种环境条件下保持高预测精度的统一框架。为弥补这些缺陷,本研究提出了一种新的预测策略,该策略结合了完整集成经验模态分解与自适应噪声以实现多尺度信号分解,利用样本熵基于复杂性对固有模态函数进行聚类,同时还采用了通过进化搜索优化的自适应通道变换器以增强时间序列及通道依赖性的学习能力。这种组合方式能够为空气质量信号提供结构化、具备噪声感知能力且频率信息丰富的表示形式,从而在基于特征的和滚动窗口的预测模式下都能实现稳健的预测结果。在中国广州、上海、深圳和北京四座大城市进行的实验表明,该方法的性能显著优于现有的最佳基准模型。在基于特征的预测中,其决定系数分别达到0.987、0.985、0.987和0.993,测试均方根误差分别为0.78、2.20、0.62和1.75。在单变量预测以及针对其他污染物的预测中 ebenfalls表现出优异性能,预测浓度与实际观测浓度之间的时间一致性很高。总体而言,研究结果表明,将完整集成经验模态分解与自适应噪声、基于样本熵的表示学习方法以及优化后的自适应通道变换器相结合,可构建出一个高度精确且具有良好泛化能力的框架,用于全面的空气质量预测与决策支持。引言:全球环境污染问题日益严重,造成了持续且深远的危害(Gaur等人,2024)。技术进步与城市化进程极大地威胁到了地球的生存环境,其主要原因在于空气、水和土壤等关键环境要素的退化。而工厂排放的各类有害废物,如塑料、重金属、化肥、工业污染物以及化石燃料燃烧产生的物质,进一步加剧了这种退化现象(Aziz等人,2024;Chong等人,2023)。近几十年来,空气污染一直是一个严重的环境问题,对全球公共卫生和经济都产生了深远影响(Nourozi等人,2022)。由于中国等国家的快速发展与城市化进程,一系列严重的环境问题导致了严重的空气污染。其中,直径小于或等于2.5微米的细颗粒物尤其值得关注,因为它们对人类健康的危害极大(Yadav等人,2024)。这类颗粒物来源于工业排放、车辆尾气以及建筑施工等多种途径(Bai等人,2023)。由于其尺寸极小,它们能够穿透呼吸系统,携带大量有毒物质,包括致癌物和金属元素(Geng等人,2024),这些物质可能引发癌症、呼吸系统疾病以及心血管疾病等严重健康问题(Gong等人,2023)。尤其是长期暴露于PM2.5环境中,会大幅增加弱势人群的早死风险(Gaur等人,2024)。除了通过PM2.5损害人类健康外,它还对生态系统产生巨大影响,会导致雾霾形成,进而扰乱天气模式,最终影响整个气候系统(Jiang等人,2023)。作为PM2.5的组成部分,黑碳和硫酸盐会吸收和散射阳光,扰乱大气动力学,从而加剧全球变暖现象(Jiang等人,2023)。因此,这些问题使得国际社会越来越重视采取减排措施。鉴于上述负面影响,中国政府出台了一系列综合政策来减少PM2.5污染。作为世界上经济增长最快的国家之一,中国尤其在工业化程度高、城市化水平高的地区面临着严重的PM2.5污染问题(Huang等人,2023;Yu等人,2022;Zheng等人,2023)。自2013年起,中国政府开始共同努力控制PM2.5污染,先后制定了《大气污染防治行动计划》和《打赢蓝天保卫战三年行动计划》(Geng等人,2024)。在339个主要城市中,空气质量良好的天数每年增加到316天(Chen等人,2023)。在北京市,某些时段的PM2.5浓度甚至高达47.8微克/立方米(Kong等人,2024)。尽管中国已经取得了显著进展,但根据世界卫生组织设定的安全PM2.5标准仅为5微克/立方米,因此中国在实现更清洁的空气环境方面还有很长的路要走(Chen等人,2023)。北京、广州、上海和深圳等城市由于工业发展迅速和城市规模庞大,在PM2.5污染问题上尤为突出。尽管这些城市一直在努力减少污染,但其空气质量仍经常超出国家标准和世界卫生组织的指导值。由于地理条件和季节性气候因素,北京尤其容易受到空气污染的影响。即便在经历了十多年的减煤和排放改革之后,由于冬季煤炭使用量增加,北京的PM2.5浓度仍然会出现上升趋势(Jin等人,2022;Wen等人,2021)。此外,由于北京作为政治和经济中心的地位,交通拥堵问题也进一步恶化了当地的空气质量。作为中国南方重要的经济中心,广州的快速工业发展和高车辆密度也导致了持续的PM2.5污染问题(Li等人,2021;Zhang等人,2021)。再加上广州属于亚热带气候,空气流动不畅,更容易积聚污染物(Li等人,2021)。上海是中国最大的城市之一,由于其人口众多且工业发达,其PM2.5浓度也高于平均水平(He等人,2020;L. Wang等人,2022)。尽管当地政府已采取了一些措施,如减少煤炭消耗并增加清洁能源的使用,但工业排放和车辆尾气仍然是主要的污染源。此外,上海周边还有大量的工业区,这使得本地减排工作变得极为复杂。另一座技术先进的城市深圳,尽管在推动可再生能源和绿色技术应用方面付出了巨大努力,但仍面临空气污染问题。其他导致PM2.5排放的因素还包括建筑施工和工业活动,以及较高的车辆排放量,这些都会进一步增加整体污染水平(Li等人,2021;L. Wang等人,2022)。由于深圳发展迅速,它始终面临着在保障环境可持续性与推动经济发展之间取得平衡的挑战。这些城市虽然采取了各种措施来减少污染,但工业活动、交通拥堵以及区域气象条件等因素的综合作用仍持续影响着当地的空气质量。随着人们越来越意识到PM2.5的危害,准确预测其浓度已成为改善空气质量管理和降低健康风险的当务之急(Jin等人,2023;Wang和Cao,2023)。PM2.5浓度受气象条件、大气过程以及排放源之间复杂相互作用的制约(Das等人,2022),正因如此,对其浓度进行预测极具挑战性。这些因素之间的关系通常是非线性的且动态变化的,传统的统计模型往往无法利用PM2.5相关变量准确捕捉此类关系(Das等人,2022)。近年来,通过运用机器学习和深度学习技术,PM2.5预测的准确性有了显著提升(Fang等人,2020)。这类模型能够处理规模更大的数据集,并识别出传统建模方法无法发现的规律。近年来,机器学习算法已被广泛用于空气污染预测。例如,Kim等人(2023)比较了使用长短期记忆网络、门控循环单元以及双向长短期记忆网络对2014年5月至2021年12月间首尔、大田和釜山地区的PM2.5浓度进行预测的效果。该研究确定的因素后来也被证实会影响韩国多个城市以及中国五大城市的PM2.5浓度。虽然这三种模型在24小时内的短期预测效果相似,R2值均大于或等于90,但双向长短期记忆网络的长期预测性能明显更好,R2值可达到60以上。Chen等人(2024)提出了一种基于因果卷积的深度学习模型,用于预测短期PM2.5浓度。该模型在每个时间步的输出中都会考虑多个监测站之间的空间相关性,这些相关性可能来自同一时间步或之前的时间步。该方法通过分析时间与空间相关性,从相关监测站获取有用信息,并将其与目标站的数据一起作为输入输入到模型中。以2020年中国南京为例,该模型利用9个监测站的数据,实现了很高的预测精度,R2值为0.92,均方根误差为6.75微克/立方米。Peng等人(2022)则比较了极端梯度提升回归器与全连接神经网络这两种机器学习模型在预测PM2.5浓度方面的性能,他们使用的是中国湖南省两个监测点一年内的数据。通过PM2.5数据以及六项气象参数,对这两种模型进行了训练、验证和评估。经过模型优化后,极端梯度提升回归器在整个测试数据集上的表现更为出色,R2值可达0.761以上,在夜间数据子集中这一数值甚至上升到了0.856。表1汇总了目前关于利用机器学习模型预测空气污染物的最新研究成果。空气质量预测技术的发展呈现出明显的趋势,即从传统的统计建模方法逐步发展到将深度学习与统计建模相结合的更先进方法,比如混合预测模型。传统模型开发成本较低,计算资源需求也少,但难以模拟空气污染时间序列数据中的非线性和非平稳特性,因此其预测精度有限(Zhou等人,2024)。深度学习神经网络的出现大大提升了模型学习空气质量数据时间特征的能力,在短期预测任务中能够获得0.80–0.95的R2值(Chang等人,2025;Zhou等人,2024)。不过,这类循环型架构的时间复杂度仍然较高,不适合处理较长的空气质量时间序列数据,也不便于在多个监测站点部署应用。近期出现的基于注意力机制的模型在一定程度上解决了循环型架构存在的序列处理瓶颈问题,同时还能模拟变量之间的长距离依赖关系(Lolli,2025)。然而,这类模型的内存消耗呈二次增长趋势,因此在实时、高频的城市空气质量监测应用中不太具备 scalability。为降低使用未经处理的原始时间序列数据预测空气质量时所产生的不确定性,许多研究人员开发了基于分解的混合预测技术,这类技术通过多种多尺度表示方式来描述时间序列,相比以往的预测方法,其预测精度可提高10%至30%(Lolli,2025;Zhou等人,2024)。不过,目前所开发的混合模型通常会产生高维度的固有模态函数,这不仅需要更多的计算资源,还容易引发过拟合问题,而且难以将这些分解出的组件应用于多种不同类型的空气质量信号中。因此,有必要开发一种既具备计算稳定性,又足够灵活、可广泛应用于各类空气质量预测场景的统一预测框架。由于空气污染动态在多个时间尺度上都具有非线性和非平稳性,准确预测PM2.5浓度一直是一项艰巨的任务。此外,目前大多数关于应用深度学习模型的研究存在三个主要局限:首先,迄今为止开发的模型大多只关注PM2.5浓度本身,而没有考虑其他重要污染物的浓度,如PM10、NO2、CO、O3等,未来模型的发展也需要纳入这些因素;其次,传统的时间序列预测方法通常不会将多变量预测(污染物与气象条件的相互作用)与单变量预测(仅基于PM2.5历史时间序列数据)结合起来,而实际上在做出最佳决策时,这两种类型的数据都很重要;第三,目前大多数采用传统分解技术的模型存在模态混合的问题,且在单变量和多变量场景下的适用性都有限。另一个需要更多关注的重要的研究领域是,如何准确表示空气质量时间序列数据中的多尺度时间结构。除了气候变化外,空气污染还受到与驾驶习惯和气象变化相关的快速时间变化以及缓慢变化的季节性趋势的影响。传统的深度学习模型在直接使用原始信号时,无法有效表示层次化的时间依赖关系。此外,分解技术产生的高维表示会带来冗余特征,进而可能导致模型过拟合。最后,大多数以往的研究为了提高效率,要么采用手动调整的超参数,要么使用简单的网格搜索或随机搜索方法。由于全球各城市的地理和气候特征存在差异,这些方法使得模型的泛化能力受限。不过,只有少数研究有效地运用了进化优化等先进的优化方法(Shaikh等人,2021a、2022、2023、2024年),并开发出了可应用于多个地区的综合方法。为填补这些空白,本研究提出了一种单一的、可扩展的框架,既可用于基于滚动窗口历史序列的单变量PM2.5预测,也可用于结合污染物和气象协变量的多变量PM2.5预测。其主要创新点和贡献如下:•通过采用统一的方法进行多特征污染物-气象预测和单变量滚动窗口预测,所提出的方法既可以利用所有可用的环境因素,也可以仅依靠历史PM2.5浓度数据来预测其浓度。这种灵活性使其成为一种可应用于多种实际空气质量监测系统的有用工具。•通过采用带有自适应噪声的完整集成经验模态分解法(CEEMDAN),可以将非线性且非平稳的污染信号分解为内在模态函数(IMFs),从而为单变量和多变量分析提供理想的框架。为获得更易于理解的表示形式并降低维度,首先通过基于样本熵的聚类方法将所有IMFs分为低频和高频成分。这些簇能够以简洁而丰富的形式呈现污染信号中的信息,从而提升分析过程的泛化能力和稳定性。•自适应通道变换器(Adapformer)是一种基于变换器的架构,它通过自适应通道增强器(ACE)和自适应通道预测器(ACF)模块实现自适应通道管理,因此具有独特的特性。所有超参数都经过优化,以提高模型的整体性能和泛化能力。在北京、上海、广州和深圳进行的多次实验结果表明,该模型在各种不同的气候和地理条件下都能实现更高的精度,并且具备很强的稳健性。本文的后续结构如下:第2节介绍案例研究,第3节阐述方法论,第4节展示结果与讨论,第5节给出结论。案例研究在中国的四座最大城市——北京、广州、上海和深圳,对PM2.5预测模型的可扩展性和准确性进行了评估。根据图1所示,由于地理位置和气候特征的差异,北京代表中国北方,广州代表中国南方,上海代表中国东部,深圳则代表中国南部沿海地区。城市间的地理多样性和气候差异为测试该模型在不同环境下的效果提供了良好的场所。方法论鉴于构建精确的PM2.5预测模型面临的挑战,有效的PM2.5预测方法必须包含能够提取由PM2.5浓度所产生的大气信号中的非线性、非平稳及多尺度时间结构的模型。为应对这些挑战,本研究开发了一种综合方法,该方法结合了自适应时频分解、基于熵的成分聚类以及优化的基于变换器的结构。结果与讨论来自广州、上海、深圳和北京的预测数据表明,与基准模型相比,该模型的性能存在明显差异,同时也证明了所提出的框架在多变量(基于特征)和单变量(基于滚动窗口)预测方法中的优异表现。表2、表3、表4和表5展示了通过训练和测试模型所得到的各项性能指标。图12、图13、图14和图15分别展示了相对均方根误差、平均绝对误差、R2值、相对平均绝对误差和相对平方误差等指标的情况。结论本研究提出了一种适用于多变量和单变量场景的精准PM2.5预测综合模型。通过结合多尺度分解、基于熵规则的IMF分组以及自适应通道设计,该模型能够准确捕捉不同城市环境中污染过程的非线性和非平稳特征。在中国四大城市开展的大规模实验充分证明了该模型的显著优势。CRediT作者贡献说明黄唐森:写作——审稿与编辑、写作——初稿撰写、可视化、验证、监督、软件、资源、项目管理、方法论、资金获取、正式分析、概念构思。唐博源:写作——审稿与编辑、可视化、验证、软件、资源、调研、正式分析、数据整理。李琪:写作——审稿与编辑、监督、资源、方法论。资金支持与致谢本项工作得到了湖南省教育厅重点科学研究基金(编号23A0575、24A0598)、湖南省自然科学基金(编号2024JJ7184、2024JJ7187、2025JJ70505)、永州市引导性科技计划项目(编号2024Y2011、2024YZ009、2024YZ018)、湖南科技大学科研项目(编号24XKY2C03、25XKYZD09)的支持。利益冲突声明作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号