隨著城市化和工業(yè)化的深度推進，細顆粒物（PM2.5）污染問題日益突出，精準預測PM2.5濃度對公眾健康預警、應急減排措施制定以及環(huán)境治理政策優(yōu)化至關(guān)重要。

數(shù)據(jù)預處理（插值、異常值、標準化）
    │
特征分析與因子挖掘（周/年周期、GAUST 相似性）
    │
模型構(gòu)建與訓練（DGCRN、Informer、LSTM、GRU）
    │
多指標對比評估（RMSE、MAPE、MAE、R²）
    │
模型改進展望（多尺度時序單元、空間注入）

從數(shù)據(jù)驅(qū)動的視角看，這本質(zhì)上是一個融合時空動態(tài)和長程依賴的復雜時間序列預測課題。本文綜合運用時序特征分析、因子關(guān)聯(lián)挖掘以及深度學習建模，對某區(qū)域184個站點連續(xù)三年的多變量記錄進行系統(tǒng)分析，重點對比動態(tài)圖卷積循環(huán)網(wǎng)絡（Dynamic Graph Convolutional Recurrent Network, DGCRN）與長序列學習器Informer，并使用長短期記憶網(wǎng)絡（Long Short-Term Memory, LSTM）和門控循環(huán)單元（Gated Recurrent Unit, GRU）作為基線模型。這項工作靈感來源于一次面向環(huán)保業(yè)務的咨詢?nèi)蝿?，?jīng)數(shù)據(jù)脫敏和方法沉淀后，形成可復現(xiàn)的學術(shù)分析框架，可為同類研究提供模型選型參考和實踐經(jīng)驗。

拓展說明：時空預測任務的核心難點在于：① 污染物濃度受氣象條件（風速、濕度、氣壓等）和排放源雙重影響，具有強非線性；② 站點間污染物擴散存在空間傳播延遲（例如上風向站點濃度升高后數(shù)小時影響下風向站點）；③ 時間維度上同時存在日、周、年等多尺度周期模式。DGCRN和Informer分別從“時空同步建模”和“超長序列壓縮”兩個角度切入，代表了兩種不同的技術(shù)路線。

一、數(shù)據(jù)預處理與特征工程

1. 數(shù)據(jù)探索與缺失填補

數(shù)據(jù)集包含184個監(jiān)測點，時間跨度為2015年1月至2018年12月，采樣頻率為每3小時一次，每個時間點記錄14個特征變量（包括PM2.5濃度、2米溫度、邊界層高度、風速、風向角、降水量、相對濕度、地面氣壓等）。經(jīng)重新生成完整時間索引并逐條比對，發(fā)現(xiàn)由觀測時間點和觀測點構(gòu)成的主鍵缺失11,776條記錄，缺失時段主要集中在跨年夜附近，且表現(xiàn)為連續(xù)、短時中斷模式——這可能是由于節(jié)假日期間監(jiān)測設(shè)備維護或通訊故障所致。

圖1 數(shù)據(jù)集的基本屬性探索（含各特征統(tǒng)計分布、缺失率矩陣、時間覆蓋范圍）

缺失填補策略根據(jù)變量物理特性分類實施：
- 周期性插值：對具有明顯日周期和年周期的2米溫度、邊界層高度，采用基于歷史同期數(shù)據(jù)的周期性插值（取前后各24個周期的加權(quán)平均），以保留季節(jié)變化規(guī)律。
- 風向角處理：環(huán)形特征風向角（0°-360°存在邊界不連續(xù)性）通過三角函數(shù)分解（sin和cos變換）展開為連續(xù)值后進行插值，再反變換回角度。
- 累計量插值：降水等累計量采用累計量插值法（即對非零降水的連續(xù)時段整體處理，避免破壞累積關(guān)系）。
- 突變變量插值：PM2.5、風速等易突變的變量采用分段線性插值，僅填補短時缺口（連續(xù)缺失不超過3個時間點），長時段缺失則不強行插補，以盡量保留突發(fā)波動特征。

圖2 缺失記錄可視化（熱力圖展示各站點、各月份的缺失分布）

圖2（續(xù)） 缺失前后的數(shù)據(jù)對比示例

最受歡迎的見解

以下為平臺讀者高頻關(guān)注的相關(guān)研究主題（供拓展參考）：

• Python員工人力流失預測：ADASYN采樣、CatBoost算法、LASSO特征選擇與動態(tài)不平衡處理及多模型對比研究
• R語言分布式滯后非線性模型（DLNM）分析某城市空氣污染與健康數(shù)據(jù)：多維度可視化優(yōu)化滯后效應解讀
• Python古代文物成分分析與鑒別研究：灰色關(guān)聯(lián)度、嶺回歸、K-means聚類、決策樹分析
• Python + TensorFlow + OpenCV的卷積神經(jīng)網(wǎng)絡（CNN）人臉識別系統(tǒng)構(gòu)建與應用實踐
• Python實現(xiàn)Transformer、SARIMAX、RNN、LSTM、Prophet時間序列預測對比分析（應用于用電量、零售銷售、公共安全、交通事故數(shù)據(jù)）
• MATLAB貝葉斯超參數(shù)優(yōu)化LSTM預測設(shè)備壽命應用——以航空發(fā)動機退化數(shù)據(jù)為例
• Python谷歌商店Google Play APP評分預測：LASSO、多元線性回歸、嶺回歸模型對比研究
• Python+AI提示詞糖尿病預測模型融合構(gòu)建：伯努利樸素貝葉斯、邏輯回歸、決策樹、隨機森林、支持向量機SVM應用

2. 異常值處理與標準化

結(jié)合物理閾值（如PM2.5濃度不超過500 μg/m³、風速不超過30 m/s）和統(tǒng)計方法（Z-score > 3或< -3、箱線圖超出1.5倍四分位距）進行異常值檢測。對于符合極端天氣特征（如沙塵暴導致濃度驟升、臺風期間風速極大）的“真實異常”予以保留，不作為異常剔除；對于傳感器漂移或記錄錯誤導致的孤立離群點，則采用中位數(shù)替代或鄰近點均值修正。

隨后通過Z-score標準化消除量綱影響：對每個特征獨立計算均值和標準差，將數(shù)據(jù)轉(zhuǎn)換為均值為0、標準差為1的分布，以保證不同量級變量（如溫度數(shù)值在-10~40之間，氣壓在980~1030 hPa之間）對模型訓練的貢獻均衡。風向角用正余弦映射（構(gòu)造sin(角度)和cos(角度)兩個新特征）解決角度突變問題，同時保留方向信息的完整性。

圖3 觀測屬性可視化特征（各特征箱線圖、分布直方圖）

圖4 插值后可視化結(jié)果（插值前后時序曲線對比）

圖4（續(xù)） 多站點插值效果驗證圖

專家建議：在環(huán)境時間序列的預處理中，不建議對所有缺失采用同一插值方法。應根據(jù)缺失模式（隨機缺失 vs. 連續(xù)缺失）和變量物理意義（連續(xù)變量 vs. 環(huán)形變量 vs. 累積變量）分別處理?？缒暌惯B續(xù)缺失若超過6小時（兩個采樣點），建議直接標記為“無數(shù)據(jù)”而非強行插補，以避免引入虛假的濃度變化模式。

閱讀原文進群獲取完整內(nèi)容及更多AI見解、行業(yè)洞察，與900+行業(yè)人士交流成長。

二、時序特征與因子分析

1. 多尺度周期特征

• 日周期：整體波動平緩，無顯著的“早晚高峰、午后低谷”模式，表明該區(qū)域排放源結(jié)構(gòu)以工業(yè)連續(xù)排放為主，交通源貢獻相對較弱，氣象驅(qū)動（如日間垂直擴散增強）對濃度的調(diào)節(jié)作用有限。
• 周周期：呈現(xiàn)出“周中穩(wěn)態(tài)、周末抬升”的規(guī)律，周末波幅加大（標準差比工作日增加約12%）?？赡艿慕忉屖侵苣┎糠止S停工導致背景濃度變化，或居民出行模式的改變影響了二次轉(zhuǎn)化條件。
• 年周期：呈現(xiàn)明顯的“冬高夏低”季節(jié)鎖定效應。冬季靜穩(wěn)天氣（逆溫層頻繁出現(xiàn)、混合層高度降低）利于污染物累積，而夏季對流活動和降水沖刷顯著降低濃度。三個年份間PM2.5中位數(shù)持續(xù)下降（2015→2016下降約11%，2016→2017下降約9%），箱體收窄，極端峰值減少，表明該區(qū)域污染治理措施（如燃煤鍋爐改造、工業(yè)排放標準收緊）效果顯著。

圖5 日周期特性對比（各小時PM2.5均值及置信區(qū)間）

圖6 周周期特性對比（周一至周日逐日分布盒圖）

圖7 月周期特性對比（1-12月PM2.5變化曲線）

圖8 年周期特性對比（2015-2018逐年對比）

圖9 PM2.5年度分布對比（小提琴圖疊加箱線圖）

2. 氣象因子關(guān)聯(lián)分析（GAUST）

在滑動時間窗口（窗口大小為30天，步長為5天）內(nèi)計算各氣象因子與PM2.5濃度的Pearson相關(guān)系數(shù)，形成時變相關(guān)曲線。結(jié)果顯示：風速與PM2.5的時序趨勢相似度最高（平均相關(guān)系數(shù)約-0.58，風速越大濃度越低），印證了水平擴散為主導的清除機制；地面氣壓次之（相關(guān)系數(shù)約-0.42，低壓系統(tǒng)伴隨輻合上升利于擴散）；相對濕度與PM2.5呈弱正相關(guān)（相關(guān)系數(shù)約0.23，高濕條件下氣溶膠吸濕增長促進二次生成）；風向的影響表現(xiàn)為區(qū)域差異——當風向來自工業(yè)區(qū)方向時相關(guān)性轉(zhuǎn)正。這些結(jié)果直接指導了后續(xù)建模中特征權(quán)重的差異化設(shè)計（如為風速特征分配更高的注意力分數(shù)）。

術(shù)語解釋：GAUST（Granger-Augmented Spatio-Temporal）是一種結(jié)合格蘭杰因果檢驗的時空關(guān)聯(lián)分析方法。與傳統(tǒng)相關(guān)系數(shù)不同，GAUST不僅考察兩個變量的同期相關(guān)性，還評估一個變量的滯后值是否對另一個變量的預測有顯著貢獻，從而識別出“因果性”而非僅僅是“相關(guān)性”。

圖10 氣象因子與PM2.5 GAUST分析結(jié)果（包含各因子不同滯后階數(shù)的貢獻熱圖）

三、模型構(gòu)建與代碼實現(xiàn)

1. DGCRN：動態(tài)圖卷積循環(huán)網(wǎng)絡

DGCRN的核心在于自適應圖生成與擴散圖卷積的協(xié)同設(shè)計。具體而言：
- 自適應圖生成：每個站點學習一個可訓練的嵌入向量（embedding vector），嵌入向量之間的內(nèi)積經(jīng)過Softmax歸一化后產(chǎn)生動態(tài)鄰接矩陣。與傳統(tǒng)預定義空間圖（如基于地理距離或道路連接）不同，該矩陣在訓練過程中自動更新，能夠?qū)W習到數(shù)據(jù)驅(qū)動的潛在空間依賴（例如兩個地理上相隔較遠的站點，只因處于同一氣流通道而產(chǎn)生高度相關(guān)的污染波動）。
- 擴散圖卷積：模擬污染物在站點間的雙向傳播——既沿風向方向擴散，也反向回傳（對應于污染物回流或區(qū)域背景均勻化）。每個時間步的圖卷積操作聚合鄰居節(jié)點的信息，更新當前節(jié)點的表征。
- 時序單元：使用改寫的門控循環(huán)單元（GRU），將線性門（更新門、重置門）替換為擴散圖卷積操作，形成DGCRM（動態(tài)圖卷積循環(huán)模塊）。這使得網(wǎng)絡在每個時間步都能同時捕捉：
- 空間依賴（當前時刻各站點之間的相互影響）
- 時間依賴（各站點自身的歷史序列模式）

圖11 DGCRN模型總覽圖（含嵌入層、圖卷積層、GRU循環(huán)層、輸出層的完整數(shù)據(jù)流）

下面給出簡化后的核心架構(gòu)代碼：

# 自適應圖卷積與循環(huán)單元（變量名已重構(gòu)）
class GraphDiffusionConv(nn.Module):
    def __init__(self, in_dim, out_dim, K_steps=2):
        super().__init__(); self.K_steps = K_steps
        # 拼接多步擴散結(jié)果的全連接層
        self.linear_combine = nn.Linear(in_dim * K_steps, out_dim)
    def forward(self, x, adj_matrix):
        B, N, _ = x.shape
        adj_mod = adj_matrix + torch.eye(N, device=x.device)   # 自環(huán)連接
        deg_inv = (adj_mod.sum(1) + 1e-6).pow(-1)             # 度矩陣的逆
        norm_adjacency = torch.diag(deg_inv) @ adj_mod
        spatial_supports, x_diffused = [x], x
        for _ in range(1, self.K_steps):   # 多步擴散模擬
            x_diffused = torch.einsum('ij,bjk->bik', norm_adjacency, x_diffused)
            spatial_supports.append(x_diffused)
        combined = torch.cat(spatial_supports, dim=-1)
        return self.linear_combine(combined)
class GraphConvGRUCell(nn.Module):
    def __init__(self, in_dim, hid_dim, K_steps=2):
        super().__init__(); self.hid_dim = hid_dim
        self.update_conv = GraphDiffusionConv(in_dim + hid_dim, hid_dim, K_steps)
        self.reset_conv  = GraphDiffusionConv(in_dim + hid_dim, hid_dim, K_steps)
        self.candidate_conv = GraphDiffusionConv(in_dim + hid_dim, hid_dim, K_steps)
    def forward(self, x, h_state, adj_matrix):
        concat_input = torch.cat([x, h_state], dim=-1)
        # ......（省略門控計算與狀態(tài)更新，完整代碼請進群獲?。?/pre>

圖12 DGCRN訓練過程損失下降圖（訓練集與驗證集損失曲線，約30個epoch后趨于收斂）

2. Informer：概率稀疏自注意力

Informer專門針對長序列時間預測（Long Sequence Time-series Forecasting, LSTF）設(shè)計，核心創(chuàng)新點包括：
- ProbSparse自注意力：僅對少數(shù)“活躍”的Query（概率分布偏離均勻分布較大的Query）計算完整的注意力分數(shù)，其余使用均勻分布近似，從而將計算復雜度從O(L²)降低到O(L·log L)，其中L為序列長度。
- 自注意力蒸餾：通過卷積和池化操作逐層壓縮編碼器的序列維度，突出主導注意力模式，過濾冗余信息。
- 生成式解碼器：一次性輸出所有預測步長的結(jié)果，無需逐步步進式推理。

在本任務中，輸入序列長度為72（對應9天數(shù)據(jù)），預測步長為24（對應3天數(shù)據(jù)）。實測發(fā)現(xiàn)：由于PM2.5濃度自身的日周期和周周期特征較弱（見第二節(jié)分析），Informer的序列蒸餾機制傾向于保留長程趨勢而濾除大量點維度的異動，導致預測結(jié)果過于平滑，對突發(fā)污染峰值的捕捉能力明顯不足。

圖13 Informer訓練過程損失下降圖

3. 基線模型 LSTM 與 GRU

作為循環(huán)神經(jīng)網(wǎng)絡（RNN）的基礎(chǔ)基準，LSTM和GRU直接對多變量時間序列建模（將14個特征拼接成輸入向量，未顯式利用站點間的空間關(guān)系）。LSTM通過輸入門、遺忘門、輸出門控制長期記憶的流動；GRU結(jié)構(gòu)更精簡，將遺忘門和輸入門合并為更新門。兩者憑借門控機制仍能捕捉一定程度的時序動態(tài)，但無法建模站點間污染物傳播，因此在空間異質(zhì)性強的區(qū)域預測表現(xiàn)受限。

對比表格：三種模型的復雜度與適用場景

模型	空間建模能力	時間復雜度（每層）	參數(shù)量	適用場景
LSTM/GRU	? 無	O(L·d²)	中	單站點或多變量獨立時序
DGCRN	? 動態(tài)圖卷積	O(N·L·d² + N²·d)	高	多站點時空依賴建模
Informer	? 無（純時序）	O(L·log L·d)	中	超長序列、周期性強

注：N=站點數(shù)，L=序列長度，d=隱藏維度

四、結(jié)果對比與解讀

下表匯總了各模型在測試集上的表現(xiàn)（訓練30個epoch，RMSE/MAE指標越小越好，R²越接近1越好）：

結(jié)果解讀：DGCRN在RMSE上相比GRU降低約19%，相比Informer降低約31%；在R²上達到0.842，表示模型可解釋84.2%的濃度方差。Informer的RMSE甚至高于GRU，說明在強隨機性、弱周期性的短序列任務中，復雜的注意力蒸餾機制反而造成信息損失。

圖14 DGCRN模型預測結(jié)果（真實值vs預測值散點圖 + 時序曲線對比）

圖15 Informer模型預測結(jié)果（注意峰值處的“削峰”現(xiàn)象）

圖16 LSTM和GRU模型預測結(jié)果

DGCRN在所有指標上全面領(lǐng)先，尤其在尖峰捕捉上更為敏銳（峰值處平均誤差比Informer低約41%），這源于其動態(tài)圖機制能夠同步學習污染物在空間網(wǎng)絡上的傳播路徑——當一個站點的濃度突然升高時，相鄰站點的預測值會相應調(diào)整。

Informer表現(xiàn)低于預期、甚至弱于GRU的主要原因可歸納為：
1. 周期性強度不匹配：PM2.5濃度的日周期和周周期特征本身較弱（見第二節(jié)），而Informer的ProbSparse注意力機制在設(shè)計上假設(shè)長期依賴由少數(shù)幾個突出的周期模式主導，當實際數(shù)據(jù)周期模糊時，概率采樣會丟失關(guān)鍵信息。
2. 蒸餾過度壓縮：對于預測步長僅24步的任務，序列蒸餾層將編碼器長度壓縮至1/4，相當于丟棄了75%的位置敏感信息，導致模型丟失對高頻突變（如風速驟增、降水起始）的響應能力。
3. 缺乏空間先驗：Informer完全建模為單變量/多變量時序，無法獲知站點間的相互作用，在污染物跨站點傳播的場景中處于信息劣勢。

這一現(xiàn)象在答辯時若被問及，可從“輸入序列長度與周期性強度不匹配導致蒸餾過壓縮”的角度進行解釋。

圖17 DGCRN（左列）與Informer（右列）各預測步長的誤差變化（第1步至第24步的RMSE曲線）

圖17（續(xù)） DGCRN與Informer誤差對比熱圖

圖17（續(xù)） 分站點誤差分布箱線圖

圖17（續(xù)） 誤差隨預測步長的累積分布

圖17（續(xù)） 不同季節(jié)下的模型誤差對比

圖17（續(xù)） 極端高濃度事件下的預測性能評估

圖18 LSTM和GRU各步誤差變化曲線

圖18（續(xù)） LSTM與GRU的分步誤差對比雷達圖

從誤差隨預測步長的變化曲線可見：DGCRN的誤差增長最為平緩，從第1步到第24步RMSE僅上升約32%，呈現(xiàn)較強的多步預測穩(wěn)定性；Informer的誤差在第8步后加速上升，第24步誤差已達到第1步的2.1倍；LSTM/GRU介于兩者之間，但后期誤差仍顯著高于DGCRN。

論文寫作建議：對于僅需完成本科論文的同學，可以重點分析DGCRN與LSTM的差異，突出空間建模的價值；若為碩士論文，則需進一步剖析Informer失效的內(nèi)在機理（如：繪制注意力權(quán)重分布熱圖、分析蒸餾前后信息的互信息損失），并給出至少一種改進方案（見第五節(jié)）。

閱讀原文進群獲取完整內(nèi)容及更多AI見解、行業(yè)洞察，與900+行業(yè)人士交流成長。

五、模型改進與未來方向

• 多尺度時序單元替換：當前DGCRN的時序模塊本質(zhì)仍是GRU（單尺度循環(huán)），捕捉超長依賴（如跨月趨勢）有限?？商鎿Q為多尺度時間循環(huán)單元（Multi-scale Temporal Recurrent Unit, MTRU），將日、周、年周期分別編碼為不同時間粒度的隱狀態(tài)，并采用分層更新策略——高頻狀態(tài)每步更新，低頻狀態(tài)按周期更新。
• 融合GAUST權(quán)重編碼：將風速、地面氣壓等關(guān)鍵因子的格蘭杰因果關(guān)聯(lián)度作為注意力偏置（attention bias），設(shè)計差異化特征映射通道——關(guān)鍵因子通道使用更深的子網(wǎng)絡，冗余特征通道使用淺層線性映射，避免信息被稀釋。
• Informer的機制優(yōu)化：
• 調(diào)整概率稀疏度的采樣閾值（從默認的5降低至2~3），保留更多Query參與計算；
• 在解碼器后引入輕量級循環(huán)單元（如單層GRU）進行序列精修，補償蒸餾過程中的細節(jié)丟失；
• 借鑒DGCRN的空間圖卷積思想，為Informer增加一個空間依賴模塊（如引入預定義的地理距離圖或可學習的自適應圖），在編碼器輸入端注入站點間關(guān)系。
• 外部數(shù)據(jù)融合：考慮引入氣象預報數(shù)據(jù)（如WRF模型輸出的風速、溫度預報場）作為額外輸入特征，實現(xiàn)“預測未來濃度的未來氣象條件”，提升在實際預報場景中的適用性。
• 不確定性量化：當前所有模型均為點預測（point forecast），無法提供預測置信區(qū)間?？梢胴惾~斯深度學習或深度集成（Deep Ensemble）方法，輸出預測分布，為應急決策提供風險信息。

未來趨勢：環(huán)境時空預測領(lǐng)域正朝著“物理引導的深度學習”方向發(fā)展——將大氣擴散物理方程（如高斯煙羽模型、拉格朗日粒子擴散模型）作為軟約束嵌入神經(jīng)網(wǎng)絡，保證預測結(jié)果在物理上合理（如污染物總量守恒、擴散速率受邊界層高度限制）。此外，圖神經(jīng)網(wǎng)絡與Transformer的融合（如Graph Transformer）近期受到關(guān)注，可能成為下一代時空預測架構(gòu)。

六、研究結(jié)論

本文圍繞PM2.5濃度預測任務，構(gòu)建了從數(shù)據(jù)填補、時序分析到多模型對比的完整分析流程。實證結(jié)果表明：
1. DGCRN憑借自適應圖生成與擴散圖卷積機制，能夠有效融合站點間的時空依賴，在RMSE（12.74）、MAE（8.56）和R²（0.842）三項指標上綜合性能最優(yōu)，尤其對污染尖峰的捕捉能力顯著優(yōu)于其他模型。
2. Informer在弱周期性、強隨機性的短序列預測任務中表現(xiàn)受限，揭示了序列蒸餾機制在處理非平穩(wěn)、低規(guī)律性數(shù)據(jù)時的潛在局限——蒸餾過壓縮導致高頻信息丟失。
3. LSTM/GRU作為基線模型，雖無法顯式建?？臻g關(guān)系，但憑借門控機制仍能提供可接受的預測精度（R²約0.78~0.79），在計算資源有限的場景中可作為實用選擇。

本研究為環(huán)境時空預測領(lǐng)域的模型選型提供了可復現(xiàn)的實證參考，也為Informer類模型在實際應用中的適用邊界提供了警示。后續(xù)工作將聚焦于物理信息融合與多尺度循環(huán)架構(gòu)的進一步優(yōu)化。

到此這篇關(guān)于Python深度學習時序預測：從數(shù)據(jù)預處理到DGCRN/Informer模型對比的文章就介紹到這了,更多相關(guān)PM2.5濃度預測模型：DGCRN vs Informer內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論