简单者胜出：Facebook Prophet对比LSTM在数据受限的尼日利亚北部空气污染预测中的表现
机器学习
2025-08-25 v1
摘要
空气污染预测对于主动环境管理至关重要，但数据不规则性和稀缺性在低资源地区仍然是重大挑战。尼日利亚北部面临高水平的空气污染物，但很少有研究系统性地比较在这种约束下先进机器学习模型的性能。本研究评估了长短期记忆(LSTM)网络和Facebook Prophet模型，使用2018年至2023年跨19个州的月度观测数据预测多种污染物(CO、SO2、SO4)。结果表明，Prophet通常匹配或超过LSTM的准确性，特别是在由季节性和长期趋势主导的序列中，而LSTM在具有突变结构变化的数据集中表现更好。这些发现挑战了深度学习模型本质上优于简单方法的假设，强调了模型与数据对齐的重要性。对于资源受限环境中的政策制定者和从业者，这项工作支持采用上下文敏感的、计算高效的预测方法，而非为复杂性而复杂。
引用
@article{arxiv.2508.16244,
title = {When Simpler Wins: Facebooks Prophet vs LSTM for Air Pollution Forecasting in Data-Constrained Northern Nigeria},
author = {Habeeb Balogun and Yahaya Zakari},
journal= {arXiv preprint arXiv:2508.16244},
year = {2025}
}