面向城市可持续性与公共健康的多变量时间序列空气质量指数预测的混合深度学习模型

《Atmospheric Environment: X》：Hybrid Deep Learning Models for Multivariate Time-Series Forecasting of Air Quality Index toward Urban Sustainability and Public Health

　　

日益严重的空气污染以及传统预测方法的局限性，使得需要先进的模型来准确预测空气质量指数（AQI）。研究人员提出了四种混合深度学习架构——模型1：混合卷积神经网络-长短期记忆网络（CNN-LSTM），模型2：混合LSTM-深度神经网络（DNN），模型3：混合门控循环单元-卷积神经网络（GRU-CNN），以及模型4：混合一维卷积-深度神经网络（Conv1D-DNN），这些架构集成了卷积特征提取、循环时序建模、密集表示学习和注意力机制，以捕捉多个污染物和气象变量之间的复杂时间依赖性和非线性交互。研究采用了来自德里的四年每日数据，主要包括PM_2.5、PM₁₀、NO₂、NOx、CO、苯等主要污染物，以及温度、相对湿度和大气压力等气象变量。通过考虑不同的损失函数和学习率，开发了优化模型。实现了低预测误差（RMSE ≈ 36.29）和高相关性（R ≈ 0.9）。模型1相比其他模型表现出更优的性能。观察到了显著的误差降低。该模型的性能在不同季节进行了测试，显示了在冬季高变异性下的鲁棒性。该模型的性能也在不同城市数据（如加济阿巴德和法里达巴德）上进行了测试。尽管通过考虑更复杂的模型可以提高准确性，但结果显示了准确性和复杂性之间的良好权衡，从而证实了该框架的鲁棒性。此外，准确的AQI预测可以通过及时发出空气质量警报和提供明智的环境决策来支持公共健康。

本论文研究背景：空气污染已成为全球性公共健康威胁，德里作为世界污染最严重的城市之一，其空气质量指数（AQI）受多污染物和气象变量复杂非线性交互影响，传统数值模型（如CMAQ、WRF-Chem）和统计模型（如ARIMA、MLP）存在精度低、计算复杂、难以处理高维时序依赖等局限。因此，亟需开发能够捕捉多变量时序依赖和非线性关系的先进预测模型，以支持城市可持续发展和公共健康。

研究人员提出了四种混合深度学习架构：模型1（混合CNN-LSTM）、模型2（混合LSTM-DNN）、模型3（混合GRU-CNN）和模型4（混合Conv1D-DNN），集成卷积特征提取、循环时序建模、注意力机制和密集表示学习，用于德里Pusa子城市的AQI日预测（2019-2022年）。主要结论：模型1（CNN-LSTM）在RMSE≈36.29、R≈0.9的指标下表现最优，在所有季节（尤其是冬季高变异期）和跨城市（加济阿巴德、法里达巴德）测试中均具鲁棒性，且优于传统深度学习基线（CNN、LSTM、GRU、DNN、Transformer编码器）。该框架为实时空气质量管理、早期预警和公共健康决策提供了准确且可扩展的解决方案。论文发表在《Atmospheric Environment: X》。

主要关键技术方法（不超过250字）：研究人员采用多尺度一维卷积（卷积核大小3、5、7）提取局部时序模式，LSTM/GRU网络捕捉长期时序依赖，多头自注意力机制加权关键时间步，残差连接和挤压激励（SE）模块增强特征表征与梯度传播，并采用Huber损失函数、Adam优化器、早停和学习率衰减策略进行超参数优化。数据来源为德里Pusa CAAQMS站（2019-2022年）的每日污染物（PM_2.5、PM₁₀、NO、NOx、CO、苯）和气象变量（温度、太阳辐射、大气压力），并采用滑动窗口（21天）生成输入序列，按70:10:20比例划分训练、验证、测试集。跨城市泛化验证使用加济阿巴德和法里达巴德独立数据集，但未进行空间关联建模。

研究结果：

**4.1 AQI数据分析结果**：通过相关性热图分析，发现PM_2.5、PM₁₀、CO、NO、NOx、苯与AQI呈强正相关（相关系数>0.6），气象变量中温度、太阳辐射和大气压力与AQI呈显著负相关。月趋势图显示冬季（12-2月）AQI最高，受秸秆焚烧和静稳天气影响；COVID-19封锁期间（2020年）AQI短暂改善。日热力图显示部分天数AQI超过400（严重等级），年均“极差”类别天数超过60-70天。

**4.2 建模结果**：超参数调优确定各模型最优配置（模型1：学习率0.001，Huber损失；模型2：学习率0.001，MAE损失；模型3：学习率0.001，Huber损失；模型4：学习率0.0005，MSE损失）。年际性能评估显示，模型1在2019-2022年整体MSE（0.008554）、MAE（0.064027）、RMSE（36.298）和R（0.934）均最优，残差滚动均值接近零且标准差稳定。季节性分析表明，模型1在冬季（RMSE 36.381，R 0.860）仍保持最佳性能，而模型3、4在冬季误差显著增大。对比分析中，模型1优于所有基线模型（CNN、LSTM、GRU、DNN、Transformer编码器），在测试集上RMSE最低（36.298 vs 最优基线TE 44.182），训练时间（10.59秒）与TE（15.49秒）相比更具效率。跨城市泛化测试中，模型1在加济阿巴德（MSE 0.0066，R 0.932）和法里达巴德（MSE 0.0077，R 0.917）均表现最优。可解释性分析通过随机森林特征重要性量化，发现PM_2.5（0.0264）和PM₁₀（0.0139）是影响AQI预测的最关键特征，与物理机制一致。实际应用讨论指出，该框架可集成至实时监测系统，支持早期预警、资源分配和长期城市规划。

讨论部分总结：模型的高精度和鲁棒性源于多尺度特征提取、注意力机制和残差学习的协同作用。季节性分析揭示了冬季高变异性的挑战，但模型1通过注意力机制有效捕捉了突变。跨城市泛化验证了框架的迁移性，但受限于单站数据，未纳入空间相关性。未来方向包括多站同步数据、图深度学习、实时交通和工业排放数据融合，以及健康影响评估（如疾病发病率与住院数据关联）。

研究结论翻译：本研究针对德里严峻且多变的空气污染现状，提出了四种混合深度学习模型（模型1-4），通过集成卷积特征提取、循环时序建模和注意力机制，有效捕捉了多变量时序依赖和非线性交互。基于德里Pusa子城市四年（2019-2022年）的污染物和气象数据，模型1（CNN-LSTM）在Huber损失和0.001学习率下表现最佳，RMSE≈36.29，R≈0.9，优于其他模型及传统深度学习基线。该模型在冬季高变异性和跨城市（加济阿巴德、法里达巴德）测试中均保持鲁棒性，体现了良好的泛化能力。尽管精度与训练时间之间存在权衡（模型4适合训练时间敏感场景），但模型1在准确性和复杂性间取得了最优平衡。该框架不仅提升了AQI预测精度，还通过及时空气质量预警和科学决策支持公共健康保护。然而，本研究基于单站数据，未纳入空间关系，未来需扩展至多站同步数据、图深度学习架构，并融合实时交通、工业排放等变量，以进一步提高预测的准确性和可扩展性。