基于频率感知注意力的 LSTM 用于 PM$_{2.5}$ 时间序列预测
机器学习
2025-04-16 v3
摘要
为提高 PM 浓度预测的准确性和鲁棒性，本文引入 FALNet，即一种 Frequency-Aware LSTM 网络，集成频率域分解、时序建模和注意力机制。该模型首先应用 STL 和 FFT 提取趋势、季节性和去噪残差分量，有效过滤高频噪声。随后将滤波后的残差输入堆叠 LSTM 以捕获长期依赖关系，随后采用多头注意力机制动态聚焦于关键时间步。针对真实城市空气质量数据集进行实验，表明 FALNet 在 MAE、RMSE 和 等标准指标上 consistently 优于传统模型。该模型在捕捉污染峰值期间的尖锐波动以及非平稳条件方面表现出强大的适应性。这些结果验证了 FALNet 在实时空气污染预测、环境风险评估和决策支持方面的有效性和通用性。
引用
@article{arxiv.2503.24043,
title = {Frequency-Aware Attention-LSTM for PM$_{2.5}$ Time Series Forecasting},
author = {Jiahui Lu and Shuang Wu and Zhenkai Qin and Guifang Yang},
journal= {arXiv preprint arXiv:2503.24043},
year = {2025}
}