《Atmospheric Pollution Research》:CABT-Net: A hybrid CNN-Attention-BiLSTM-Transformer model for short-term PM
2.5 forecasting in Colorado's Front Range
编辑推荐:
摘要准确预测PM2.5浓度对于应对大气环境管理中的这一关键挑战以及保护公众健康至关重要。本研究提出了一种新型的双路径并行混合深度学习架构CABT-Net(CNN-Attention-BiLSTM-Transformer),用于准确预测科罗拉多州前山地区四个站点(亚当斯、博尔德、丹
摘要
准确预测PM2.5浓度对于应对大气环境管理中的这一关键挑战以及保护公众健康至关重要。本研究提出了一种新型的双路径并行混合深度学习架构CABT-Net(CNN-Attention-BiLSTM-Transformer),用于准确预测科罗拉多州前山地区四个站点(亚当斯、博尔德、丹佛、道格拉斯)12小时内的PM2.5浓度。该模型利用CNN从PM2.5浓度序列中提取局部时间结构,并通过注意力机制聚焦关键影响因素,强化对有效信息的捕捉。BiLSTM能够捕捉序列中的长短期动态依赖关系,而Transformer则通过自注意力机制处理全局时间相关性。这些组件相互补充,从而全面捕捉复杂的時間依赖关系。该模型在四个站点均表现出优异的性能,尤其是10步预测时的R2值始终不低于0.81。与单一模型相比,这种并行架构通过双路径子模型并采用线性聚合层输出PM2.5浓度序列,提升了长期12小时预测的准确性。为阐明模型识别出的污染模式的成因,本研究进一步结合HYSPLIT反向轨迹分析及气象数据,分析了各站点的污染特征及特殊污染事件的成因。该模型在PM2.5浓度预测方面具有很强的稳健性,为类似地区的短期PM2.5预测研究提供了可借鉴的方法框架。
引言
PM2.5指的是空气动力学当量直径为2.5微米或更小的细颗粒物(Z. Zhang等人,2021年)。与其他粗颗粒物相比,PM2.5能够传播更远的距离(Morillas等人,2019年),其来源和影响因素也更为复杂(Zhao等人,2022年)。高浓度的PM2.5不仅会导致空气质量恶化,长期暴露还会引发严重的健康问题(Cui等人,2022年)。因此,准确预测PM2.5浓度对于发布污染警报、实施应急措施以及保护公众健康具有重要的实际意义。
这类预测模型大致可分为两类:数值预测方法和统计预测方法(Yu等人,2024年)。数值预测方法(Mao等人,2006年)基于空气动力学、物理化学和环境科学原理,从机理角度模拟PM2.5颗粒在环境中的形成、传播和转化过程(Sun等人,2022年)。代表性的模型包括社区多尺度空气质量建模系统(CMAQ)(Djalalova等人,2015年)、WRF-Chem(Saide等人,2011年)等。尽管这类数值模型具有较好的物理可解释性,但由于参数化复杂且难以捕捉非线性污染变化,其预测精度往往受到影响。环境条件的非线性、变化性和异质性也给这些模型的预测性能带来了很大挑战(Yu等人,2024年)。统计预测方法(Donnelly等人,2015年),包括ARIMA、机器学习、深度学习等,已被广泛用于预测PM2.5浓度(Zhang等人,2021a,b年)。传统的ARIMA模型适用于线性平稳序列,但无法有效模拟强非线性和非平稳的PM2.5动态变化。
近年来,由于具备强大的特征学习能力和处理高维数据的能力,深度学习方法在PM2.5预测领域取得了突破性进展。典型的架构包括循环神经网络(RNN)(Yin等人,2017年)、卷积神经网络(CNN)(Yin等人,2017年)、长短期记忆网络(LSTM)(Kristiani等人,2022年)以及门控循环单元(GRU)(Guyu等人,2025年)。CNN擅长局部特征提取,而LSTM和GRU虽在时间记忆方面表现较好,但在捕捉全局长距离依赖关系方面较弱。Yang等人将LSTM与多头注意力机制相结合,实现了小时级PM2.5预测(Yang等人,2023年)。Bai等人则将经验模态分解与LSTM网络结合,用于预测小时级PM2.5浓度,其预测精度优于单独使用LSTM和前馈神经网络的情况(Bai等人,2019年)。然而,PM2.5浓度受众多外部变量影响,且具有高度的非平稳性和复杂的时空波动特性,这使得其难以被精确捕捉(Zhang等人,2024年)。因此,现有的循环神经网络难以充分捕捉其复杂的时空依赖关系,尤其在长期预测时精度下降明显(Samal等人,2021年)。这种精度下降主要是由递归迭代式的预测方式导致的。
为捕捉PM2.5浓度的复杂时空依赖关系,混合深度学习模型作为一种新的解决方案应运而生。在这些模型中,CNN因其能够从时间序列数据中提取显著的局部时间模式和特征而备受重视,这为后续的预测模块提供了重要基础。目前常用的利用CNN时间特征提取能力的混合模型包括CNN-LSTM(Pak等人,2020年)、CNN-BiGRU(Tao等人,2019年)以及CNN-BPNN(Kow等人,2020年)。混合BiLSTM–BiGRU结构也被证明能有效提取复杂的时间特征并捕捉时间序列数据中的动态依赖关系(Haider等人,2025年)。相关研究展示了多种架构策略:Zhu等人构建了一个并行多输入的1D-CNN-biLSTM模型,以提高小时级PM2.5浓度预测的精度(Zhu和Xie,2023年),而Sun等人则采用了包含CNN、LSTM和DNN的混合模型来预测近期PM2.5浓度(Sun等人,2021年)。大多数现有混合模型采用简单的串联结构,无法充分整合局部特征、时间记忆和全局依赖关系学习功能。在本研究中,我们同样利用CNN来捕捉各个监测站点浓度序列中的站点特定局部时间相关性。不过,长期预测中误差累积的问题仍然是一个亟待解决的难题。与此不同,本研究采用直接的多步骤策略,以避免迭代带来的误差累积。
在科罗拉多州前山地区,极端的PM2.5污染是由远距离野火污染物传输以及当地的静态气象条件(低风速、低温、高相对湿度)共同作用造成的,这些因素进一步加剧了PM2.5浓度的时空非线性和异质性。
为克服传统单模块时间序列预测模型的局限性,本研究构建了一种名为CNN-Attention-BiLSTM-Transformer(CABT-Net)的新型双分支混合预测框架,用于直接对科罗拉多州前山地区四个监测站点(亚当斯、博尔德、丹佛、道格拉斯)的PM2.5浓度进行多步骤预测。本研究的创新点如下:首先,构建了两个并行的特征提取分支:CNN-Attention-BiLSTM分支用于提取局部短期的时空污染特征,而配备位置编码的Transformer分支则用于捕捉长距离的全局时间相关性。其次,采用自适应加权平均融合策略来整合两个分支的特征输出,从而动态协调局部和全局特征信息,提升模型模拟跨站点气象与污染耦合关系的能力。第三,采用一次性直接多步骤预测策略,避免递归迭代带来的累积误差;同时,提出了结合MSE和R2损失的复合损失函数,以提升整体拟合效果。本研究采用R2、MAE、MSE和RMSE四种定量评估指标来衡量所提模型的预测性能。
章节节选
研究区域
本研究的选择区域是科罗拉多州的前山地区,主要包括以丹佛市为中心的四个监测站点。我们用各站点所在城市的名称来指代这些站点。这四个监测站点的坐标分别为:亚当斯(39.8281,?104.93647)、博尔德(40.164576,?105.100856)、丹佛(39.77949,?105.00518)和道格拉斯(39.534488,?105.070358)。这四个站点的分布情况如图1所示。该地区受到落基山脉的显著影响
CABT-Net模型评估
本研究提出的PM2.5多步骤预测融合模型通过创新性地整合CNN、BiLSTM、注意力机制和Transformer,形成了具有多级特征提取能力的复合架构。为确保实验的公平性和可重复性,所有模型都使用了统一的超参数。优化器选用AdamW,初始学习率为1×10?3,批量大小为32。网络结构中CNN的核大小为3,共两层
结论
降低PM2.5空气污染所带来的健康风险、环境危害和经济损失的有效方法之一,就是开发能够提供及时准确信息以支持针对性干预的预测模型(Eren等人,2023年)。鉴于科罗拉多州前山地区(以丹佛站点为中心)独特的气象特征,本研究提出了一种集成模型CABT-Net,该模型结合了CNN、BiLSTM、注意力机制和Transformer,用于
人工智能使用声明
在撰写本文过程中,作者们使用了DeepSeek来提升文本的语言表达和可读性。在使用该工具后,作者们对内容进行了必要的审阅和修改,并对最终发表的文章内容承担全部责任。
CRediT作者贡献说明
Songlin Fu:概念构思。Wei Xie:初稿撰写。Qingxin Wang:审稿与编辑。Haoyang Fu:审稿与编辑。Yichen Yang:数据整理。Ziming Chen:概念构思。Tingting Zhou:审稿与编辑。Madal Artur:资源提供。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
本研究得到了中国国家重点研发计划的支持(编号:2024YFE0214000);同时 también获得了浙江省自然科学基金的联合资助,资助编号分别为LZJMY25D050001和LZJMZ24D050004;此外还得到了浙江省自然科学基金的资助,编号为LQN25D050004和LQN26D050003;另外还得到了大气海洋系访问学者开放研究项目的支持
Songlin Fu|Wei Xie|Qingxin Wang|Haoyang Fu|Yichen Yang|Ziming Chen|Tingting Zhou|Madal Artur
浙江师范大学物理与电子信息工程学院,中国金华市321004