混合潜在因子与分解模型的跨位置PM2.5预测——以马德里为例

《Results in Engineering》：Hybrid latent-factor and decomposition-based models for cross-location PM 2.5 forecasting in Madrid

　　

城市空气污染的准确预测对于环境监测、公共卫生保护和预警系统至关重要。本文利用通过AQI India API获取的来自十五个监测站的空气质量和气象观测数据，研究了马德里的跨位置PM_2.5预测。其中十三个站用于训练和验证，两个站专门用于测试，构成了严格的时空泛化场景。研究提出了一个综合基准框架，涉及十三种架构，包括循环、卷积、自编码器、基于树、基于核、基于分解和动态因子模型（Dynamic Factor Model, DFM）组件。超参数通过使用树结构帕森估计器（Tree-structured Parzen Estimator, TPE）的贝叶斯优化进行优化，并在预测视界间进行知识迁移。同时，使用受限线性回归（Restricted Linear Regression, RLR）对单个预测进行组合，该回归表示为模型输出的凸组合。该方法为在未见站预测条件下评估非线性潜在因子提取、信号分解和集成学习提供了一个统一框架。与时空持续性基准相比，所提出的最佳方法将Huber损失降低了17.7%，同时配对视界水平比较表明，其误差低于持续性基准和基于学习的参考模型（两项比较p=0.02）。

论文解读：混合潜在因子与分解模型的跨位置PM_2.5预测

## 一、研究背景与问题

城市空气污染预测是环境管理、公共卫生保护和预警系统的核心组成部分。在受控污染物中，PM_2.5因可深入呼吸道且浓度受局地排放、大气传输、气象条件和化学转化等非线性过程的共同驱动而受到特别关注。在大都市区，监测站受交通强度、土地利用、街道形态、通风模式和污染源距离等异质性因素影响，导致在训练站表现良好的模型迁移到新地理位置时可能失效。这一问题在运营监测网络中尤为重要，因为密集布设站点成本高昂，且预测系统常需在历史记录有限或缺失的站点推断污染物浓度。已有研究多聚焦于已监测站点，而针对完全未观测站点的跨位置预测研究相对不足。基于此，本研究利用Alvarado-Alcon等人提出的跨位置框架，使用马德里15个监测站的数据，旨在实现严格的空间泛化——即预测训练中未出现的站点。

## 二、研究内容与意义

本研究提出了一个包含十三种架构的基准框架，涵盖循环、卷积、自编码器、树、核、分解和DFM等组件，并采用RLR进行预测组合。通过贝叶斯优化对超参数进行调优，并采用跨视界知识迁移以降低计算成本。最佳方法相对时空持续性基准将Huber损失降低了17.7%。该方法的创新在于将互补的潜在表征、信号分解和预测组合策略整合到一个统一的跨位置预测框架中，为在未见站条件下评估不同建模策略提供了系统性的比较平台。

## 三、主要技术方法

研究数据来自马德里15个监测站，通过AQI India API获取，公开于Zenodo（DOI: 10.5281/zenodo.20665204）。其中10个站作为输入站，3个站作为训练/验证目标站，2个站作为唯一测试站。预处理包括基于四分位距的异常值去除、小时级重采样、分层缺失值插补。特征选择基于Pearson相关系数（阈值|r|>0.4），选取PM_2.5、PM₁₀和露点，并加入输入站与目标站的地理距离。信号分解采用STL和VMD。模型架构包括BiLSTM-MLP-DFM、Autoencoder-DFM、XGBoost-DFM、RF-DFM_temporal、SVR-MLP-DFM、五种VMD变体及CNN-BiLSTM-MLP等。超参数优化使用TPE，预测组合采用RLR（权重非负且和为1）。测试集时段为2025年9月11日至2026年4月27日。

## 四、研究结果

### 3.1 验证结果与模型选择

验证集上，RLR集成在全部视界取得最低MAE，表明个体模型具有互补信息。个体模型中，VMD-CNN-GRU、VMD-CNN-BiLSTM和BiLSTM-MLP-DFM平均表现最佳，构成Top 3集成；Top 5另含STL-BiLSTM-MLP-DFM和CNN-BiLSTM-MLP。

### 3.2 测试集数值结果

在空间独立测试集上，RLR集成在每个视界均取得最低或并列最低误差。基础RLR在1小时、4天、7天和10天视界最优；仅VMD模型集成在1天视界最优；Top 5集成在2小时视界最优。Autoencoder-DFM仅在短视界有竞争力，长期视界误差显著增大，说明重建型潜在因子未必保留预测相关信息。

### 3.3 与时空基准的比较

最佳模型相对时空持续性基准的Huber损失降低0.78（17.7%），相对LSTM×2降低0.45（12.7%）。配对Wilcoxon符号秩检验显示，最佳方法在所有视界均显著优于两个参考模型（p=0.02）。

### 3.4 全局图形比较

性能与计算成本分析显示，对集成最有用的模型并非最复杂：BiLSTM-MLP-DFM、CNN-BiLSTM-MLP、STL-BiLSTM-MLP-DFM、VMD-CNN-BiLSTM和VMD-CNN-GRU获得较大RLR权重。VMD-DRN-BiLSTM训练最贵但参数最少，树模型推断时间最长。

### 3.5 测试误差的时间演化

一周滑动窗口误差显示，所有模型在某些时期同时恶化，表明存在关系突变的困难时段。RLR和VMD-DRN-BiLSTM在多数时期更平滑，而RF-DFM_temporal在部分时段波动较大。7天视界误差峰值明显更大。

### 3.6 未见站的代表性预测

代表性周预测显示，1小时视界模型能复现大部分短期波动但峰值难预测；1天视界预测更平滑但能捕捉浓度水平和中等尺度变化；7天视界仅能复现低频趋势，尖锐局地峰值被平滑。这反映了在无目标站观测条件下，模型倾向于可靠捕捉空间共享和缓变成分。

## 五、讨论与结论

讨论指出，跨位置预测明显难于训练域内验证，验证误差低而测试误差高，凸显了空间独立测试集的重要性。最稳健的策略是预测组合，因为不同模型在不同视界具有相对优势：VMD模型在2小时和1天视界有优势，RF-DFM_temporal在7天视界表现好，VMD-DRN-BiLSTM在10天视界相关。分解方法能有效分离季节、趋势、残差和频带成分，DFM架构能提取共享潜在结构，而自编码器潜在表征需附加监督变换才能用于跨位置预测。局限性包括监测站数量有限、离线分解处理、以及结论受马德里特定条件影响。

研究结论翻译如下：本文提出了一个完整的马德里跨位置PM_2.5预测基准框架。研究评估了十三种个体模型和四种预测组合场景，使用十五个监测站数据，其中两个站专用于测试。方法结合了循环神经网络、卷积架构、卷积自编码器、树和核嵌入、动态因子模型层、STL分解、VMD分解和RLR预测组合。主要结论是，组合异构模型比依赖单一架构更可靠。预测组合（RLR）在1小时、4天、7天和10天视界取得最佳结果，其他情况下接近最优；仅VMD模型的集成在1天视界最优，Top 5集成在2小时视界最优。研究还表明，当潜在表征与预测目标对齐时，潜在因子建模是有用的；BiLSTM-MLP-DFM等混合架构提供稳定有效表征，而Autoencoder-DFM在长期视界表现不佳。从运营角度看，结果强调了精度与计算成本之间的权衡：某些高复杂度模型需要大量优化时间但未必带来等比例精度提升；而使用Top 3或Top 5的RLR组合、STL方法和选定的VMD-CNN模型提供了更好的精度-鲁棒性-成本平衡。未来工作应扩展到更多污染物、更多城市和更长测试期，概率预测、不确定性量化、基于图的空间建模和极端事件显式建模是改进未见站突变预测的有前景方向，迁移学习和域自适应可进一步验证新地理区域的泛化能力，同时建议采用留一站和留一市验证协议，并探索更丰富的空间协变量及模型压缩和在线更新技术。