城市空气质量可解释 PM2.5 预测：运营时间序列模型的比较研究
机器学习
2026-03-27 v1 人工智能
摘要
准确的短期空气质量预测对于公共健康保护和城市管理至关重要，但许多近期的预测框架依赖于复杂的、数据密集型的、计算上昂贵的模型。本研究探讨了轻量级且可解释的预测方法是否能为北京（中国）的人工 PM2.5 预测提供具竞争力的性能。使用多年的污染物和气象时间序列数据，我们开发了一个考虑数据泄漏的预测工作流程，将时间顺序分区、预处理、特征选择和外生驱动建模结合在完美预报（Perfect Prognosis）设置下。评估了三类预测模型：SARIMAX、Facebook Prophet 和 NeuralProphet。为评估实际部署行为，模型在两种自适应 regime 下进行测试：每周顺序重新拟合和冻结预测加上在线残差校正。结果在预测准确性和计算效率之间显示出明显差异。在顺序重新拟合下，Facebook Prophet 实现了最强的完成性能，MAE 为 37.61，RMSE 为 50.10，同时也显著缩短了执行时间 than NeuralProphet。在冻结模型 regime 下， 在线残差校正改善了 Facebook Prophet 和 SARIMAX，纠正后的 SARIMAX 产生最低的整体误差（MAE 32.50；RMSE 46.85）。NeuralProphet 在两种 regime 下都不够准确且不够稳定，残差校正也未能改善其预测。值得注意的是，纠正后的 Facebook Prophet 在几乎达到其顺序重新拟合的误差水平的同时，将运行时间从 15 分钟 21.91 秒缩短到 46.60 秒。这些发现表明，轻量级的可解释预测策略在城市空气质量预测中仍然具有高度的竞争力，在准确性、可解释性之间提供了实用的平衡...
引用
@article{arxiv.2603.25495,
title = {Interpretable PM2.5 Forecasting for Urban Air Quality: A Comparative Study of Operational Time-Series Models},
author = {Moazzam Umer Gondal and Hamad ul Qudous and Asma Ahmad Farhan and Sultan Alamri},
journal= {arXiv preprint arXiv:2603.25495},
year = {2026}
}
备注
Submitted to PLOS ONE