超越炒作：比较轻量模型与深度学习模型用于空气质量预测
机器学习
2025-12-11 v1 人工智能
机器学习
摘要
准确预测城市空气污染对于保护公共健康和指导缓解政策至关重要。尽管深度学习和混合流水线在近期研究中占据主导地位，但其复杂性和有限的可解释性阻碍了实际应用。本研究调查轻量加性模型——Facebook Prophet（FBP）和 NeuralProphet（NP）——能否在北京，中国对颗粒物（PM、PM）提供具有竞争力的预测结果。利用多年污染物和气象数据，我们应用了系统特征选择（相关性、互信息、mRMR）、防泄漏安全缩放和时间顺序数据划分。两个模型均使用污染物和前体回归变量进行训练，NP 额外利用了滞后依赖。作为对比，两个机器学习基线（LSTM、LightGBM）和一个传统统计模型（SARIMAX）也进行了实现。性能在 7 天留出集上使用 MAE、RMSE 和 进行评估。结果表明，FBP 一致优于 NP、SARIMAX 和学习基线，对两种污染物的测试 均超过 0.94。这些发现表明可解释加性模型在与传统和复杂方法的竞争中仍然具有优势，提供了准确性、透明性和部署便捷性之间的实际平衡。
引用
@article{arxiv.2512.09076,
title = {Beyond the Hype: Comparing Lightweight and Deep Learning Models for Air Quality Forecasting},
author = {Moazzam Umer Gondal and Hamad ul Qudous and Asma Ahmad Farhan},
journal= {arXiv preprint arXiv:2512.09076},
year = {2025}
}