基于VG-TCABI混合架构的大气PM2.5浓度中期预测

《Neural Networks》:Medium-Term Prediction of Atmospheric PM 2.5 Concentration Based on the VG-TCABI Hybrid Architecture

【字体: 大 中 小 】 时间:2026年03月24日 来源:Neural Networks 7.2

编辑推荐:

  李博群|董博宇|李佳涵|范光涛|余峰|张金辽宁科技大学电子与信息工程学院,中国辽宁省鞍山市114051摘要为解决现有PM2.5浓度预测模型在提取时间特征和整合多模态信息方面的局限性,本文提出了VMD-GWO-TwoConvAttBiLSTM-IAFF(VG-TCABI)模型。该框

  李博群|董博宇|李佳涵|范光涛|余峰|张金辽宁科技大学电子与信息工程学院,中国辽宁省鞍山市114051摘要为解决现有PM2.5浓度预测模型在提取时间特征和整合多模态信息方面的局限性,本文提出了VMD-GWO-TwoConvAttBiLSTM-IAFF(VG-TCABI)模型。该框架以分解驱动的协同特征提取和自适应融合能力为核心组成部分。首先,通过灰狼优化器优化变分模态分解的关键参数,将非平稳的原始PM2.5序列分解为具有不同物理意义的多个平稳子序列。其次,构建了双流时空分析架构:一个通道用于捕捉多种污染物之间的外部驱动关系,另一个通道则聚焦于VMD-GWO算法分解得到的子序列的内部演化规律,从而实现内外特征的协同挖掘。最后,设计了一种改进的注意力融合机制IAFF,通过学习门控权重来动态校准并自适应融合两个通道中的异构特征。研究使用了辽宁省大连市核心区域的污染物和气象数据,结果表明该模型在预测未来24小时的PM2.5浓度方面优于所有基准模型,其R2值为0.892,RMSE为5.555微克/立方米,MAE为8.279微克/立方米,充分证明了该模型在分析复杂污染成因及捕捉长序列趋势方面的有效性。引言在全球经济一体化加速与能源消费结构转型滞后的双重背景下,工业排放、车辆尾气、燃煤取暖等污染源使得大气环境状况日益恶化。细颗粒物PM2.5是衡量空气污染的重要指标,由于其空气动力学直径小于2.5微米,具有很强的吸附能力、较长的迁移距离以及生物穿透能力。根据流行病学统计,PM2.5能够穿过肺泡屏障进入循环系统,从而导致呼吸系统疾病发病率上升37%,心血管疾病风险增加22%(Coker等人,2021年;Liu等人,2024年;Cheng等人,2025年)。PM2.5的形成涉及复杂的大气物理化学过程,如多相界面反应和气溶胶的二次转化,同时还会受到边界层高度、逆温层强度等区域气象因素以及交通流量、工业生产周期等人类活动的影响。在京津冀地区和长江三角洲,PM2.5呈现出典型的时空分布特征,如在冬季供暖期浓度激增,天气稳定时则持续累积(Hou等人,2025年)。传统的时间序列预测模型,如ARIMA和SVR,受线性假设和平稳性约束的限制,难以捕捉PM2.5序列的多尺度波动性,包括日内周期性、季节性趋势以及突发性污染事件,这使得预警响应速度滞后于污染扩散速度。因此,需要开发智能预测模型来准确预报中期PM2.5浓度,为健康风险预警提供动态决策依据,同时推动环境治理从末端控制转向源头预防。目前,PM2.5浓度预测技术和方法主要可分为三类:确定性方法、统计模型和机器学习方法。确定性方法基于WRF和WRF-CMAQ等数值模拟模型,具备空间范围预测能力(Cao等人,2018年;Cheng等人,2021年),但由于地面排放网格数据和污染源数据难以精准获取,这类方法的模拟精度有限,误差较大。统计模型则能更好地提取PM2.5历史数据的变化特征,Das等人提出了土地利用回归模型,Sharma等人研究了自回归积分移动平均模型,二者都表明传统线性模型可以有效预测未来1小时的PM2.5浓度(Das等人,2023年;Sharma等人,2025年)。但随着数据规模的扩大和计算能力的提升,传统统计模型和规则系统在处理复杂任务时逐渐显现出局限性,而机器学习模型则能从海量数据中自动学习特征和模式,在性能、泛化能力和适应性方面具有显著优势。机器学习方法通常分为浅层机器学习和深度学习两类。浅层机器学习方法已被广泛应用于空气质量预测研究,如反向传播神经网络、支持向量回归、极端学习机、极端梯度提升等(Huang等人,2021年;Afaridegan等人,2025年;Shang等人,2019年;Wang等人,2023年),这类方法能够有效捕捉数据中的非线性关系和复杂特征交互作用,在预测未来1小时PM2.5浓度方面的性能优于传统线性方法,R2值可达到0.8左右。不过,深度神经网络模型在短期PM2.5浓度预测方面展现出更强的能力,例如赵等人、余氏兄弟以及林等人分别提出基于LSTM神经网络的PM2.5预测模型,夏等人则基于卷积神经网络开发了多维分布PM2.5预测模型,苏等人则通过时空图神经网络解决了无监测站情况下的PM2.5浓度预测问题(Zhao等人,2024年;Yu等人,2024年;Lin等人,2024年;Xia等人,2025年;Park等人,2024年;Su等人,2023年)。这些研究表明,这类模型具有强大的时空特征提取能力,其预测精度显著高于传统机器学习方法,R2值通常可超过0.9(Xing等人,2021年;Zhang等人,2020年)。尽管这些方法在短期预测方面取得了优异成果,但针对PM2.5浓度中期变化的研究仍然不足。PM2.5浓度的中期变化具有高度的不确定性和复杂性,精确预测难度较大,因此探索其中期变化规律不仅具有重要的学术价值,还能为环境管理和公共卫生提供科学依据(Xiao等人,2025年;Xu等人,2020年;Ma等人,2020年)。PM2.5浓度的中期预测面临诸多挑战,输入参数的约束条件不足会导致预测精度下降,为提高预测精度需要引入额外特征,但引入额外特征也存在一定限制,比如空间信息冗余以及经验模态分解方法中的模态混叠现象(即高频信号混入低频信号中),都可能扭曲信号分解结果,降低特征提取的准确性,进而影响后续分析和建模的可靠性(Mengfan等人,2022年;Guo等人,2025年)。随着预测时间的延长,数据中的噪声积累会逐渐加剧,这对中期预测模型的稳健性和有效性构成严重挑战,如何有效处理噪声干扰并提升模型的泛化能力成为众多专家学者研究的课题。例如,张氏兄弟和黄等人提出了改进的集成经验模态分解法和完全集成经验模态分解法,用于分解噪声干扰并提供更丰富的时间序列特征(Zhang等人,2025年;Huang等人,2025年),但这些分解方法存在端点效应和模态数据确定困难等问题,会影响分解结果的稳健性和准确性。相比之下,方等人提出采用VMD方法,通过自适应分解机制有效抑制模态混叠现象并减少噪声干扰,从而显著提升信号特征提取的质量(Fang等人,2025年),不过VMD的参数选择会直接影响分解效果,为解决这一问题,刘等人采用粒子群优化算法优化VMD,实现信号向多个分量的自适应划分(Liu等人,2022年),但粒子群优化算法无法保证收敛到全局最优解,容易陷入局部最优解。相比之下,灰狼优化器具有自适应收敛因子和信息反馈机制,能够在局部搜索和全局搜索之间取得平衡(Liu等人,2022年),因此本研究采用灰狼优化器优化VMD参数。不同模型架构对预测效果的影响也存在明显差异,因此不少学者致力于研究时间序列分析中的并行方法和混合递归方法。具体而言,一方面,具有并行因果扩张卷积的时间卷积网络和具有并行自注意力的变换器网络分别被用于预测碳价和PM2.5浓度,例如李等人将实时分解策略与时间卷积网络相结合,挖掘学习碳价序列的特征,实验结果表明该模型能够获得最准确、最稳定的预测结果,优于所采用的统计模型、机器学习技术和常见的人工神经网络(Li等人,2023年);曾等人则提出基于模型驱动方法的深度变换器神经网络用于PM2.5浓度预测,实验结果显示该方法在PM2.5浓度预测方面的性能优于MLP、GRU和LSTM模型。此外还有人探索了混合递归方法,例如Marjan Faraji等人以及Kumar等人分别提出了CNN-GRU和CNN-BILSTM模型用于预测PM2.5浓度(Faraji等人,2022年;Kumar和Kumar,2024年),实验结果表明这些模型相比基础的LSTM和GRU模型具有更高的预测性能,这类方法能够提取非线性关系并在特征层面捕捉时间依赖性。尽管深度学习方法显著提升了PM2.5浓度预测的精度,但在中期预测场景中仍存在若干结构上的限制:首先,PM2.5序列具有明显的多尺度叠加特征,若不加以有效处理,容易出现频率混叠和有用信息稀释,进而影响特征表示的稳定性;其次,多变量交互作用和单变量时间依赖性通常需要在统一的特征空间内共同建模,这可能导致表征竞争和信息干扰,限制关键驱动因素的有效利用;再者,现有的时间结构难以在统一框架下同时兼顾局部多尺度波动和长距离依赖关系的建模,限制了模型适应复杂动态变化的能力;最后,在递归预测过程中,误差会逐步累积并在预测范围内传播,随着预测范围的扩大,模型稳定性会显著下降。为解决多尺度表征不稳定、变量耦合干扰、依赖关系建模受限以及累积误差放大等问题,本文提出了一种由VMD-GWO驱动的双通道协同建模框架,通过多尺度特征提取和注意力融合机制,全面提升中期PM2.5浓度预测的稳定性和可靠性。本文的主要贡献如下:(1)提出了一种双流解耦建模框架,将多变量交互作用学习与单变量时间依赖性建模在结构上分开,该框架的设计减少了统一特征空间内不同类型信息之间的竞争和耦合干扰,促进了变量交互作用建模和时间演化建模的协同发展,提升了模型捕捉复杂驱动机制的能力;(2)提出了一种结合变分模态分解和灰狼优化的自适应分解策略,通过全局优化关键参数,实现了多频率时间特征的稳定分离与重构,有效降低了模态混叠和噪声干扰对特征表示的影响,为双流框架提供了更可靠的输入;(3)通过整合多尺度卷积、自注意力和双向长短期记忆网络,构建了一种带门控的协同时间建模结构,该结构使模型能够在统一框架下同时捕捉局部多尺度波动和长距离依赖关系,提升了模型对复杂动态情况和极值条件的响应能力;(4)一种基于注意力机制的融合模块被设计出来,该模块将局部注意力与全局注意力相结合,形成跨尺度的动态加权机制。通过迭代生成自适应权重,对多通道特征进行重新校准和融合,从而抑制机制层面的误差传播,提升中期预测的稳定性。通过对比实验和消融研究,系统地验证了所提设计的有效性以及各模块的实际贡献。本文的其余结构如下:第2节介绍方法论和建模框架;第3节详细阐述数据收集与预处理过程;第4节展示并分析实验结果;第5节对全文进行总结。

变分模态分解
VMD算法采用完全非递归的模态分解方法,有效避免了模态混合问题(Wu等人,2023年)。VMD的核心思想是构建并解决以下变分问题:
(1) 构建变分问题:min{uk},{ωk}{∑k∥?t[(δ(t)+jπt)*uk(t)]e?jωkt∥22}s.t.∑k=1Kuk=f,其中uk(t)是VMD分解后的子序列,ωk(t)为频率,δ(t)为狄拉克函数,f为待分解信号。
(2) 通过引入……

研究区域
大连位于中国辽宁省的南部,是一座典型的沿海城市,其地理坐标为北纬38.92°、东经121.62°,如图7所示。大连以其海滨景观、宜人的气候以及丰富的文化遗产而闻名。作为沿海城市,大连独特的地理和气候特征,如季风和气候变化,会对PM2.5浓度产生显著影响,因此具有重要的研究价值。

结果与分析
本研究中的所有实验均使用Torch 2.21深度学习框架在配备NVIDIA GeForce RTX 2070显卡的计算机上完成。为确保模型训练过程中的时间一致性和泛化稳定性,输入数据按时间顺序进行划分。数据集被分为三个子集:前70%(257,645条记录)作为训练集,中间10%(36,807条记录)作为验证集,用于超参数调整。

结论
本研究通过提出一种新的VG-TCABI混合模型,成功解决了预测未来24小时PM2.5浓度的难题。该双通道架构能够有效捕捉来自相关污染物的外部驱动因素,以及分解后PM2.5序列的内部时间演化规律,从而为潜在的动态过程提供更精确且具有物理意义的特征表示。此外,迭代注意力特征融合……

CRediT作者贡献声明
李博群:写作——审稿与编辑、可视化、软件、概念设计。董博宇:写作——初稿撰写、研究、数据整理。李佳涵:方法论、形式分析。范光涛:指导。于峰:验证。张锦:资金获取。

利益冲突声明
作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。

致谢
本研究得到了国家自然科学基金项目(编号:62273340、51909257)、辽宁省振兴人才计划项目(编号:XLYC2403108)以及辽宁省重点研发计划项目(编号:2024JH2/102400045)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号