基于双霍尔特线性趋势分解的多步雾效预测增强型逆变换器模型
《Engineering Applications of Artificial Intelligence》:An inverted Transformer enhanced model for multi-step haze prediction using double Holt linear-trend decomposition
【字体:
大
中
小
】
时间:2026年07月23日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
摘要:准确预测城市雾霾,尤其是气动直径小于或等于2.5微米的细颗粒物(PM2.5),对于控制空气污染和保护公众健康至关重要。然而,PM2.5数据序列具有极强的非平稳性,同时还存在趋势与波动混合的特征,以及污染物与气象变量之间的非线性相互作用,这些因素使得传统模型难以进行多步预测。
摘要:准确预测城市雾霾,尤其是气动直径小于或等于2.5微米的细颗粒物(PM2.5),对于控制空气污染和保护公众健康至关重要。然而,PM2.5数据序列具有极强的非平稳性,同时还存在趋势与波动混合的特征,以及污染物与气象变量之间的非线性相互作用,这些因素使得传统模型难以进行多步预测。为解决这一问题,本研究提出了一种基于人工智能的预测框架,该框架将双霍尔特线性趋势指数平滑分解法与逆向Transformer模型相结合,用于PM2.5的短期多步预测。该框架首先通过基于霍尔特的双指数平滑方法将输入序列分解为趋势成分和季节性波动成分,然后利用双流式逆向Transformer并行学习这些成分的互补时间特征及变量间依赖关系。以江西省南昌市的每小时污染物和气象数据为测试对象,将该框架与长短期记忆网络、门控循环单元、卷积神经网络-长短期记忆网络以及带外生变量的时间序列Transformer模型进行了对比。实验结果表明,与基准模型相比,该框架在均方根误差、平均绝对误差、平均绝对百分比误差和泰尔不等式系数等方面表现更优,同时一致性指标也更高。进一步分析验证了其准确性及稳健性。在江西省11个地级市进行的补充验证也表明了其在区域应用上的可行性。总体而言,该框架为PM2.5的短期预测以及省级空气质量预警提供了有效解决方案。
引言:雾霾是指由于大气中积累了各种污染物,如燃烧产生的排放物、颗粒物、灰尘以及光化学烟雾,从而导致能见度和空气质量下降的现象(Liu等人,2025)。在这些污染物中,PM2.5,即气动直径小于2.5微米的细颗粒物,被视为环境空气污染中最重要的组成部分之一。由于其颗粒尺寸极小且长期悬浮在空气中,PM2.5已成为全球范围内亟待解决的环境与公共卫生问题。世界卫生组织(WHO)2021年的数据显示,有超过700万人因暴露于空气污染而患上各种疾病。尤其值得关注的是PM2.5的危害性,它能够深入呼吸系统,加重呼吸系统及心血管疾病的负担(Cho等人,2023)。全球每年约有60%的死亡病例是由环境(室外)PM2.5污染直接导致的(Marchetti等人,2019)。及时预警空气中的有害物质对公共健康至关重要,而预测污染物浓度则是防止污染事件发生的有效手段(Han等人,2020)。因此,开发一种高度准确且可靠的PM2.5环境浓度预测方法,对于改善空气质量、保障公众健康具有极为重要的意义。
目前,用于预测空气污染物浓度的主流技术主要包括统计分析模型和人工智能预测模型。其中,人工智能模型又可进一步分为机器学习与深度学习两大类。传统统计分析模型的核心在于从历史观测数据中挖掘隐含的统计关联关系用于建模,这类模型的计算资源需求相对较低。常用的传统统计模型包括自回归积分移动平均模型(ARIMA)(Mani和Viswanadhapalli,2022)、自回归移动平均模型(ARMA)(Ivanova和Dospatliev,2022)以及多元线性回归模型(MLR)(Dutta和Jinsart,2021),它们在污染物预测方面具有计算效率高、适用于小样本数据等优点。然而,这些模型严格依赖于气象因素与污染物浓度之间存在线性关联的假设,且对数据的平稳性要求较高。因此,这种建模方法不仅难以准确描述大气系统中普遍存在的非线性响应关系,还削弱了识别极端污染事件瞬态特征的能力,进而导致在分析区域污染传输等复杂的大气物理化学过程时出现偏差。
与统计分析模型相比,具备算法驱动的自动特征提取能力的人工智能预测模型在非线性关系建模及端到端特征处理方面具有显著优势。作为人工智能领域的关键模型类别,包括人工神经网络(ANN)(Kamsing等人,2025)、支持向量回归模型(SVR)(Barthwal等人,2023)、随机森林模型(RF)(Stafoggia等人,2019)以及极端梯度提升模型(XGBoost)(Ma等人,2020)在内的多种机器学习技术,在PM2.5浓度预测领域已被证明具有很高的效率和实用性(Ding和Sun,2023;Lin等人,2022)。先进的机器学习模型在预测精度上优于传统统计模型,它们能够更好地捕捉复杂的非线性模式,具备更强的适应能力和抗干扰能力。不过,这类模型通常需要人工进行特征工程,而这受到研究人员专业知识和领域经验的限制。此外,面对日益增长的数据量时,它们识别和剔除冗余信息的能力相对有限,从而影响了模型的泛化能力和学习效率(Kow等人,2022)。
近年来,深度学习领域的突破极大推动了污染物预测技术的发展。由于其出色的自适应学习能力以及在建模复杂非线性关系方面的优势(Perlman等人,2023),深度学习已成为空气污染研究中的重要方向。在PM2.5浓度预测研究中,卷积神经网络(CNN)(Alzubaidi等人,2021)、循环神经网络及其衍生模型,如长短期记忆网络(LSTM)(Sherstinsky,2020)和门控循环单元(GRU)(Yue等人,2025),被广泛采用。通过整合历史时间序列信息与实时数据特征(Shiri等人,2023),这些模型大大提升了时间序列建模能力,成为当前空气污染预测领域的主流技术框架。
然而,人们对PM2.5预测精度的要求仍在不断上升。在此背景下,多变量数据的综合应用、混合模型的优化升级以及超参数优化算法的迭代改进,已成为PM2.5预测模型领域的主要发展方向。值得注意的是,Lin等人(2024)提出了自适应策略长短期记忆网络(ASLSTM)的应用。通过优化输入特征构建双向长短期记忆网络,并采用链式结构(即当前输出作为下一时间步的输入)来动态更新特征。在短期PM2.5预测中,尤其是在高浓度场景下,ASLSTM的性能优于传统LSTM模型。Mohandas等人(2025)提出了一种基于北极熊优化算法的RNN模型优化方法。该方法通过整合物联网环境数据用于PM2.5预测,解决了RNN模型过早收敛的问题,显著提升了预测精度和稳定性。与单一RNN模型及双向长短期记忆网络相比,该模型取得了更好的预测效果。此外,还有研究人员利用卷积神经网络高效提取输入数据中的关键特征,再将卷积操作与其他模型结合,实现了准确的PM2.5预测。尽管卷积神经网络能够有效提取局部特征,但其缺乏捕捉全局信息的能力,这可能会影响PM2.5预测的精度(Kim等人,2022;Liu等人,2025)。同时,虽然长短期记忆网络和门控循环单元解决了梯度消失问题(Yuan等人,2025),但它们仍面临计算成本高、对长距离依赖关系的捕捉能力有限、全局特征建模不足以及处理长序列时的扩展性较差等挑战。
Transformer模型凭借其强大的自注意力机制,在全局信息建模和长距离依赖关系捕捉方面表现出显著优势(Wu,2024)。它不仅为长期PM2.5浓度预测提供了有力的替代方案,而且由于其在处理复杂时间序列模式方面的优势,已成为当前相关研究的重要方向。Yu等人(2023)提出了一种时空Transformer模型,该模型结合了稀疏注意力机制,用于易发森林火灾地区的PM2.5浓度预测。该模型通过空间、时间和变量维度上的嵌入机制,为输入数据的时空关联及特征交互赋予动态权重,在预测性能上优于ARIMA、LSTM以及传统Transformer等对比模型。不过,这种模型可能会忽略一些关键的局部特征,无法全面表征数据特征。Chen等人(2022)提出了时空卷积网络-Transformer模型,用于早期时间序列分类,该模型将时空卷积网络与Transformer相结合。它通过扩张因果卷积和掩码自注意力机制提取局部和全局特征,并设计时间衰减损失函数来平衡分类精度与预测时效性。尽管Transformer模型在预测PM2.5浓度方面表现优异,但将具有不同物理含义的变量合并为单个标记的做法存在明显缺陷。这种整合可能会引入由分布差异或时间延迟变化带来的噪声,从而增加准确描述变量间关系的难度(Liu等人,2023)。
此外,季节性波动-趋势分解方法因其能够显著提升预测模型的性能而广受认可。季节性波动-趋势分解是一种应用于时间序列分析的技术,其核心思路是分别学习各组成部分的固有函数,再通过协同整合得到最终预测结果。在大气污染物预测任务中,由于洛斯季节性趋势分解法具有识别季节性波动变化和捕捉非线性趋势的优势,因此常被用于数据的季节性波动趋势分解(Cleveland等人,1990;David等人,2021;Li和Jiang,2023;Gong等人,2025;Yin等人,2025)。然而,洛斯季节性趋势分解法通常需要完整的时间序列数据,无法实现实时更新,而且在处理大数据时还存在较高的计算开销问题(Xu等人,2022;He等人,2023)。为克服这些局限,本研究以霍尔特线性趋势指数平滑方法为基础,采用了一种轻量级的递归分解策略。具体而言,通过两个平滑参数迭代更新水平成分和趋势成分,从而无需提前获取完整的时间序列数据即可高效地依次估计趋势。原始序列与估计趋势之间的残差则用于表征季节性波动成分。
基于上述文献综述,本研究提出了一种基于双霍尔特线性趋势指数平滑分解与逆向Transformer的框架(DHolt-iTransformer),用于城市PM2.5浓度的多步预测。本研究的主要创新点与贡献如下:
(1) 如图1所示,本研究开发了一种具备多变量分析功能的高级大气污染物预测系统。该系统的核心目标是为主动开展区域污染防治工作提供多步、准确且可靠的预警服务。该系统由三个部分组成:DHolt-iTransformer架构、模型预测流程以及综合评估模块。通过这三部分的协同作用,有效提升了空气污染预测的实际应用价值。
(2) 本研究采用基于霍尔特的分解策略,将输入序列分解为趋势成分和季节性波动成分。但对于那些具有低频演变特征与短期波动混合特征的复杂PM2.5数据序列,单阶段的霍尔特分解可能无法实现充分的分离。因此,本研究进一步采用了双霍尔特分解方法来优化分解过程。具体而言,通过两个平滑参数α和β对水平成分和趋势成分进行指数平滑处理,进而通过迭代估计不断更新趋势成分。季节性波动成分则从原始序列与估计趋势之间的残差中得出。通过这种方式,可以有效地分离复杂PM2.5数据序列中的混合时间模式,从而提升模型的预测精度。
(3) 我们利用iTransformer模型来捕捉多个变量之间的全局非线性关系(Liu等人,2023)。通过针对性的架构优化,iTransformer会根据变量的物理属性(如PM2.5和温度这类具有不同物理意义的污染物变量与气象变量),将变量划分为独立的子序列。每个子序列都对应一个专门的标记编码通道,从而能够准确反映变量间的相互作用。
(4) 在DHolt-iTransformer模型中,我们采用双流结构,分别并行处理通过霍尔特分解得到的趋势成分和季节性波动成分。随后,我们通过拼接整合这些信息,以提高模型的性能。研究区域江西省被指定为研究区域,其地理分布如图2所示。鉴于南昌作为该地区主要的经济和政治中心以及人口高度密集的区域,该城市被选为本研究的重点。之后,训练好的模型被应用到其他十个城市。江西省位于长江中下游的南岸,具有典型的双霍尔特线性趋势指数平滑分解特征。季节性趋势分解通过将原始信号分解为趋势和季节性波动成分,有助于学习复杂的时间序列模式。趋势成分反映了序列的长期演变,而季节性波动成分则捕捉了短期的变化模式。在本研究中,所提框架中嵌入的分解模块是基于霍尔特的线性趋势方法构建的,该方法也被称为双重指数平滑法。实验设计所有计算实验均在配备Windows 10操作系统的计算平台上进行。硬件配置包括AMD Ryzen 5 5600中央处理器、NVIDIA GeForce RTX 3060(12GB GDDR6)显卡以及32GB DDR4内存。数据处理、模型构建和训练过程是通过Python 3.9编程环境实现的,并与Scikit-learn和PyTorch等开源计算框架相结合。结果与讨论本节对实验结果进行了结构化分析。5.1节首先分析了双霍尔特分解结果,并探讨了在何种条件下该分解模块能够为南昌市的PM2.5序列提供有意义的低频/高频分离。5.2节接着在多步预测任务中比较了所提模型与基准模型。5.3节进一步评估了模型的统计显著性和稳定性。结论本研究提出了一种新的框架,即DHolt-iTransformer,用于短期多步PM2.5预测。所提方法结合了双霍尔特线性趋势指数平滑分解与基于iTransformer的双分支学习机制。其主要优势在于,在进行深度时间建模之前,可以将原始输入序列分解为趋势和季节性波动成分,从而更好地呈现PM2.5序列中复杂的非线性演化模式。利益冲突声明作者未报告任何潜在的利益冲突。资金支持本研究得到了国家自然科学基金(项目编号:42261077)和江西省自然科学基金(项目编号:20252BAC240248)的支持。作者贡献声明刘祖涵:数据整理、形式分析、资金获取、项目管理、软件使用、初稿撰写、审稿与编辑。黄浩:概念构建、研究设计、方法论、资源协调、监督指导、可视化处理、初稿撰写。帅小萌:形式分析、研究调查、结果验证、审稿与编辑。范启邦:形式分析、方法论、监督指导、可视化处理、初稿撰写、审稿与编辑。王莉莉:无。利益冲突声明作者声明存在以下可能被视为潜在利益冲突的财务利益/个人关系:刘祖涵表示获得了江西水利电力大学的财政资助,同时还与中国国家自然科学基金存在包括资金资助在内的关系。其他作者则表示没有已知的可能会构成利益冲突的财务利益或个人关系。刘祖涵|黄浩|帅小萌|范启邦|王莉莉中国江西省南昌市330099,江西水利电力大学信息工程学院
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