基于 LOESS-ARIMA 和多尺度 CNN-BiLSTM 带残差门控注意力的空气质量预测
机器学习
2025-10-28 v1 人工智能
摘要
空气污染仍是印度大城市（如德里、加尔各答和孟买）中严重的环境和公共健康问题，由于突发的污染水平激增，给及时干预带来挑战。准确的空气质量指数 (Air Quality Index, AQI) 预测困难重重，因为线性趋势、季节性变动和高度波动的非线性模式交织在一起。本文提出一种混合预测框架，将 LOESS 分解、ARIMA 模型与多尺度 CNN-BiLSTM 网络集成，采用残差门控注意力机制。LOESS 步骤将 AQI 时间序列分解为趋势、季节性和残差成分，ARIMA 模型处理平滑成分，而 proposed 深度学习模块捕捉残差部分的多尺度波动性。通过统一自适应多阶段元启发式优化器 (Unified Adaptive Multi-Stage Metaheuristic Optimizer, UAMMO) 调整模型超参数。2021-2023 年中央环保局的数据实验表明，所提方法在 PM2.5、O3、CO 和 NOx 四种污染物上持续优于统计方法、深度学习方法和混合基准，PM2.5 降低 MSE 达 5-8%，所有污染物的 R^2 分数均超过 0.94。这些结果表明该框架具备良好的鲁棒性，对突发污染事件敏感，适用于城市空气质量管理。
引用
@article{arxiv.2510.22818,
title = {Air Quality Prediction Using LOESS-ARIMA and Multi-Scale CNN-BiLSTM with Residual-Gated Attention},
author = {Soham Pahari and Sandeep Chand Kumain},
journal= {arXiv preprint arXiv:2510.22818},
year = {2025}
}