基于时间约束滚动分解与DenseMamba的月度PM2.5预测

《AI》:Monthly PM2.5 Forecasting with Temporally Constrained Rolling Decomposition and DenseMamba

【字体: 大 中 小 】 时间:2026年08月27日 来源:AI 6.5

编辑推荐:

  对细颗粒物(PM2.5)进行可靠的月度预测需要准确、时间有效且透明的人工智能(AI)模型。研究人员为中国475个市级行政单元开发了一种仅依赖历史数据的滚动分解框架,该框架采用了受Mamba启发的轻量级选择性状态空间骨干网络。自适应噪声完备

  
对细颗粒物(PM2.5)进行可靠的月度预测需要准确、时间有效且透明的人工智能(AI)模型。研究人员为中国475个市级行政单元开发了一种仅依赖历史数据的滚动分解框架,该框架采用了受Mamba启发的轻量级选择性状态空间骨干网络。自适应噪声完备集合经验模态分解(CEEMDAN)及三种替代分解策略仅使用每次分解截断点之前可获取的PM2.5数据,从而避免了未来信息泄露,并生成了可检验的多尺度预测因子。在主要的七模型基准测试中,CEEMDAN-DenseMamba实现了最低的平均均方根误差(RMSE)和平均绝对误差(MAE)(分别为6.931和4.833 μg m?3)。随后,研究人员使用等优化重运行、配对移动块自举区间、分量数敏感性、各城市诊断以及参数匹配的门控循环单元(GRU)基准来检验性能归因。在共同优化下,密集连接对比显示出配对误差减少,且置信区间低于零,而在固定骨干网络中,增量CEEMDAN效应较小,其配对置信区间跨越了零。循环基准模型仍然保持竞争力。这些发现支持了透明、时间有效的多尺度预测,同时将推断限制于已知城市和当前实验设置下的未来月份预测。
细颗粒物(PM2.5)是区域空气质量和环境健康风险的关键指标。现有的PM2.5预测研究已从物理化学和统计模型发展到机器学习与深度序列建模方法。物理化学模型能够描述排放、传输等过程,但通常需要大量先验参数且计算成本高昂。数据驱动模型在学习非线性关系方面更为灵活,但其泛化能力受特征构建、数据划分等影响。在地理广阔且区域异质性强的中国,PM2.5演变受局部排放、气象条件等共同影响,表现出非线性、非平稳性、多尺度变异和空间异质性。然而,在应用经验模态分解等分解方法时,若先对完整时间序列分解再划分数据集,会导致训练样本间接包含未来观测,造成数据泄露和性能高估。同时,如何构建时间有效且可检查的多尺度输入并结合高效序列骨干网络仍是难题。针对这些问题,研究人员开展了一项关于中国475个市级行政单元月度PM2.5预测的研究,提出时间约束滚动分解框架及DenseMamba骨干网络。研究得出结论,在相同优化下,密集连接能有效降低误差,而增量CEEMDAN效应在固定骨干中较小;参数匹配的GRU模型同样表现出色。该研究对支持透明、时间有效的多尺度预测具有重要意义,本论文发表在《AI》期刊上。

研究人员主要采用以下关键技术方法:构建了仅基于历史数据的滚动分解框架,利用自适应噪声完备集合经验模态分解(CEEMDAN)在滚动历史窗口内构建多尺度特征以避免未来信息泄露;设计了轻量级DenseMamba骨干网络,引入受DenseNet启发的密集跨层特征复用以缓解深层网络信息衰减;采用配对移动块自举法进行不确定性分析,并引入参数匹配的门控循环单元(GRU)作为基线模型。样本队列来源为中国475个市级行政单元的月度面板数据,包含重构的PM2.5数据及欧洲中期天气预报中心(ECMWF)第五代大气再分析(ERA5)气象数据,覆盖2000年至2024年。

3.1. 七个模型的整体预测性能
研究人员在主要的七模型基准测试中评估了Mamba、DenseMamba及其分解增强变体。通过多指标视角对比,研究得出结论,CEEMDAN-DenseMamba在误差减少、一致性和跨种子稳定性间实现了最佳整体平衡。在数值上,CEEMDAN-DenseMamba实现了最低的平均均方根误差(RMSE)和平均绝对误差(MAE),分别为6.931和4.833 μg m?3。由于结构化模型对使用了不同预设优化设置,该基准排名仅作描述性解释。

3.2. 预测诊断与时空误差模式
研究人员通过比较重构参考值与预测值、残差密度曲线及不同浓度分位数的误差,并结合代表性城市时间轨迹和空间误差分布图进行诊断。研究得出结论,高浓度样本预测难度更大且散布范围更广。模型能跟踪已知城市的季节性峰值和阶段性变化,且在不同地理区域和污染水平上的预测误差表现出空间异质性。

3.3. 骨干网络与分解比较、鲁棒性及辅助诊断
研究人员引入替代分解模型以分离分解策略作用,并结合多次重复实验进行鲁棒性检查。研究得出结论,在DenseMamba骨干下,CEEMDAN-DenseMamba相较于其他分解方法具有更低的平均RMSE和MAE,但差异较小,应视为基准级别平均差异而非普遍优越性。气象变量与PM2.5存在同步和滞后关系,多尺度分解特征有助于捕捉不同频率动态变化。

3.4. 受控归因、敏感性与各城市诊断
研究人员使用相同优化配置重训模型,引入参数匹配的GRU基线,并通过配对移动块自举法评估不确定性。研究得出结论,在相同优化下,DenseMamba相较于Mamba降低了误差且配对置信区间低于零,证明了密集连接的益处;但在固定骨干中,增量CEEMDAN效应较小且置信区间跨越零点。参数匹配的GRU表现出高度竞争力,表明当前设置下尚不足以展示Mamba骨干通常具有的长序列计算优势。模型对分量数K在局部范围内的变化不敏感,且在已知城市内具有较好的时间跟踪能力。

在讨论部分,研究人员指出,尽管CEEMDAN-DenseMamba在主要基准测试中误差最低,但在相同优化下,密集连接对比显示配对误差减少且置信区间低于零,而固定骨干网络中的增量CEEMDAN效应较小。这表明分解模块提供了可检查的多尺度表示,是全序列分解的时间有效替代方案,但证据不支持CEEMDAN本身总能改进固定骨干网络。研究存在局限性,如时间验证仅使用固定未来测试期,且所有测试样本均来自训练中已包含的已知城市,结果仅证明对已知城市未来月份的时间泛化能力,而非对未见城市空间迁移测试;此外,分解参数敏感性测试尚未穷尽,且滚动窗口高阶模态对窗口边缘稳定性较低。

研究结论指出,本研究开发了时间约束滚动分解与Mamba家族预测框架,用于中国475个市级区域的月度PM2.5预测。在主要基准中,CEEMDAN-DenseMamba的平均误差最低。在相同优化下,密集连接对比的配对误差区间低于零,而固定骨干中的增量CEEMDAN效应较小且区间跨越零点。参数匹配的GRU仍具高度竞争力,局部敏感性未确定单一最优分量数。这些发现支持时间有效且可检查的多尺度特征构建的价值及透明性能归因,而非宣称CEEMDAN或Mamba的普遍优越性。相关结论仅限于475个已知城市的月度未来月份预测及固定测试期。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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