双向长短期记忆网络（BiLSTM）结合非对称Huber损失用于哥伦比亚波哥大工业监测站的24小时PM2.5预报与超标早期检测

《Atmosphere》：BiLSTM with Asymmetric Huber Loss for 24 h PM2.5 Forecasting and Early Exceedance Detection at an Industrial Monitoring Station in Bogotá, Colombia

　　

细颗粒物（PM2.5）在波哥大的时空分布具有强不对称性：在Puente Aranda工业走廊监测站，日均值超过WHO 2021指南值15 μg/m3的日期中，98.7%至少存在一个小时浓度高于25 μg/m3，峰值与均值中位数比率为1.90。传统预报模型以最小化平均误差为目标，会系统性低估这些关键污染时段。为修正该结构性偏差，研究人员训练了双向长短期记忆网络（BiLSTM）用于24小时PM2.5预报，并引入三种互补机制：非对称Huber损失，对低估的惩罚为高估的α倍；样本加权，放大含超标时段梯度的权重；贝叶斯超参数优化（Optuna-TPE，100次试验）。在2022—2025年小时级数据（n=31,961）上评估四种配置后，研究人员发现固有的回归-检测张力：在α∈{1.5, 2.5, 2.80}中，不存在单一α同时最小化全局MAE与峰值MAE。贝叶斯优化选中α=2.80、whigh=10，取得名义最高序列级检测质量（AP=0.724，95%自助CI [0.582, 0.821]）和最低峰值MAE（10.64 μg/m3），但全局回归近乎失效（R2≈0）。BiLSTM-A1.5（α=1.5）为最佳折中（AP=0.718；RMSE=6.65 μg/m3；序列F1=0.674）；AP差异处于重叠自助区间内。所有模型在至少88%的超标序列中可将日峰值定位在6小时内。结果支持将早期预警系统评价从回归误差重构为超标检测。

研究背景方面，细颗粒物（PM_2.5，空气动力学直径小于2.5微米的颗粒物）是领先环境健康风险因子，Vohra等估计化石燃料燃烧所致室外颗粒物污染每年约造成870万过早死亡。WHO 2021将PM_2.5年指南设为5 μg/m³、24小时参考值15 μg/m³；哥伦比亚2017年第2254号决议的24小时限值为37 μg/m³、年标准25 μg/m³，宽松于WHO。研究人员采用25 μg/m³作为小时报警阈值：历史中98.7%的日均值超15 μg/m³的日期至少一小时超25 μg/m³，峰值/均值中位比1.90，该阈值是WHO级日超标实时代理。波哥大受地形、车流与工业影响，Puente Aranda站具代表性。现有深度学习PM_2.5预报多用对称损失（MSE、Huber），在重尾不对称分布下回归到均值，普通日好、极端集式失败；早期预警真正重要的是24小时窗内是否含超标事件，而非平均误差。研究人员因此构建BiLSTM并结合非对称损失与样本加权，用Optuna-TPE系统搜索，验证回归-检测张力并提出以超标检测为重心的评价框架。论文发表于《Atmosphere》。

关键技术方法上，数据来自波哥大Puente Aranda站RMCAB的2022年1月至2025年8月31,961条小时记录，变量含PM_2.5、O₃、温度、太阳辐射；按缺口长度三级填补，超24小时长缺口行删除，仅以真实观测评估。模型为三层BiLSTM（128/64/32单元/方向）加批归一化、L2与Dropout、直接多步输出24小时；输入为96小时窗加三角周期编码。损失上设对称Huber参照，并训BiLSTM-A1.5、A2.5两种非对称Huber（低估罚α倍），均带超标序列样本加权w_high。用Optuna-TPE搜8超参100试验得BiLSTM-Bayes。评价分回归指标、小时/序列级超标检测（AP、F1、召回）、移动块自助CI、峰值定位误差。

研究结果如下。2 研究与数据：2.1 数据来源与周期，用Puente Aranda站2022—2025小时数据，说明PM_2.5与气象共预测因子作用；2.2 数据质量与缺失，2025年1月与6月传感器长故障，长缺口不补；2.3 质控异常检测，物理范围、flatline、孤立尖峰检查后保留合理极值；2.4 预处理与填补，≤12小时线性、13—24小时双向随机森林、＞24小时删行，MinMax仅训练集拟合，加sin/cos小时编码；2.5 数据集划分，按时间75/15/10，测试集为2025年4—8月真实观测。3 方法：3.1 架构选择，BiLSTM胜DLinear与LSTM，说明时序依赖重要；3.2 模型架构，三层BiLSTM加稠密头做直接多输出；3.3 序列与特征，置换重要性显示PM_2.5历史最主要，太阳辐射助检测；3.4 损失与加权，给出对称Huber参照及α=1.5/2.5非对称变体；3.5 训练，Adam、早停、降学习率、种子42；3.6 贝叶斯优化，TPE选α=2.80、w_high=10；3.7 评价协议，滞后24基线、序列级取窗内最大预测、移动块自助。4 结果：4.1 回归与峰值，BiLSTM-A1.5全局最优（RMSE 6.65、MAE 4.72），但峰值MAE 13.75略差于对称基线13.03；A2.5峰值MAE降至11.59却普通小时过预测；Bayes峰值MAE 10.64但R²近零。4.2 超标检测，4.2.1 小时级BiLSTM召回0.490最高；4.2.2 序列级Bayes AP 0.724、A1.5 AP 0.718且F1均为0.674，CI重叠无显著优；BiLSTM召回0.910；4.2.3 阈值敏感，标签阈值20/30 μg/m³下检测随稀有度下降但召回仍高。4.3 峰值定位，四模型均值误差2.9—3.4小时，≥88%在6小时内，A1.5最好（2.9小时、89%）。4.4 模型推荐，A1.5为早期预警总体最佳，BiLSTM重召回，A2.5平衡精度，Bayes不推荐无回归约束部署。

讨论与结论部分，研究人员指出α与峰值MAE呈非单调：对称基线峰值MAE 13.03；α=1.5统一上移校正全段低估但峰值误差略升；α=2.5峰值误差降至11.59而普通小时过预测、MAE超滞后基线；α=2.80峰值MAE 10.64但全局R²近零。回归-检测张力非超参搜索可消除。结论为：非对称Huber可按α在不同浓度层转移偏差，但无单点同时优化全局回归与序列检测；Bayes搜得强不对称以检测换回归；BiLSTM-A1.5是手动配置中最优折中；早期预警系统应以超标检测（AP、序列F1、峰值定位）而非RMSE/MAE为核心评价。该框架可迁移至其他站点，仅样本加权需按新阈值重训，架构与非对称损失与阈值无关。