基于 DTW 增强 CNN-GRU 模型的长期 PM2.5 预测
机器学习
2025-10-28 v1 人工智能
摘要
可靠的长期预测 PM2.5 浓度对于公共卫生预警系统至关重要，但现有深度学习方法在 48 小时以上尤其在监测网络稀疏的城市难以维持预测稳定性。本文提出一种深度学习框架，将动态时间变形（DTW）用于智能站点相似性选择，结合 CNN-GRU 架构实现延长时程 PM2.5 预测，适用于伊斯法罕，伊朗，该市特征复杂污染动力学和有限覆盖。不同于依赖计算密集变压器模型或外部仿真工具的现有方法，我们的方法集成三项关键创新：(i) 基于 DTW 的历史采样以识别同类站点的污染模式；(ii) 增强气象特征的轻量级 CNN-GRU 架构；(iii) 针对稀疏网络的可扩展设计。使用来自八个监测站点多年小时数据的实验验证，表明本方法在状态机浪漫方法中表现优异，24 小时预测 R2 = 0.91。值得注意的是，这是首次展示稳定的 10 天 PM2.5 预测（240 小时 R2 = 0.73），无性能退化，满足关键预警系统要求。该框架的计算效率和独立于外部工具的特性使其特别适用于资源受限城市环境。
引用
@article{arxiv.2510.22863,
title = {Long-Term PM2.5 Forecasting Using a DTW-Enhanced CNN-GRU Model},
author = {Amirali Ataee Naeini and Arshia Ataee Naeini and Fatemeh Karami Mohammadi and Omid Ghaffarpasand},
journal= {arXiv preprint arXiv:2510.22863},
year = {2025}
}
备注
26 pages