一种结合DSES、DLA、自注意力Transformer和BiGRU并通过贝叶斯优化实现的空气污染预报混合框架

《Scientific Reports》：A Hybrid Framework for Air Pollution Forecasting using DSES, DLA, Self-Attention Transformer, and BiGRU with Bayesian Optimization

　　

摘要

本文提出了一种新的混合预测框架DSES-DLA-Transformers-BiGRU-BO，通过协同捕捉多变量时间序列中的时间动态和季节性变化，实现准确且可解释的空气污染预测。具体而言，该研究首先采用双季节指数平滑法（DSES）来提取并平滑潜在趋势以及双季节成分，这一方法灵感来源于环境信号的季节性特征。其次，所提出的双层级注意力机制（DLA）同时进行特征级注意力处理，以识别具有影响力的环境变量，以及时间级注意力处理，以捕捉空气污染序列中的关键历史依赖关系。这些经过处理的特征随后通过双向门控循环单元（BiGRU）架构进行处理，从而学习双向序列模式，使模型能够理解历史背景和未来趋势。第三，采用贝叶斯优化（BO）方法来自适应调整模型的超参数，提升模型在不同时间尺度上的预测稳健性和性能。在真实的空气污染数据集上进行的大量实验表明，所提出的DSES-DLA-Transformers-BiGRU-BO模型在预测精度方面具有显著优势，其在MAE、MSE、RMSE、MAPE、DA、WLR和TUS等各项指标上的表现均明显优于现有的统计方法和深度学习模型。此外，该框架还展现出具备计算可行性的混合预测架构以及良好的泛化能力，为环境监测系统提供了一种可扩展且有效的解决方案。