Open Access Article

10.70693/202609178002 2026-09-17

基于注意力机制的多尺度时序预测模型及其在空气质量预报中的应用

科学与工程研究 · 2026年1卷1期

作者：孙佳婕

单位：河池学院

浏览量：310 全文下载：【PDF】

摘要：城市空气质量预报是大气污染精准防控与公众健康风险管理的重要基础。受排放源、气象条件与大气化学过程的多重耦合影响，污染物浓度时间序列普遍具有强非线性、非平稳性与多尺度特征：小时尺度上的短期波动、日尺度上的交通与生活排放节律、周尺度上的生产活动周期以及季节尺度上的气象演变相互叠加，使精确预报成为一项具有挑战性的任务。传统统计模型难以刻画上述非线性关系，单一结构的深度学习模型则难以同时捕捉不同时间尺度的时序特征。针对这一问题，本文提出一种基于注意力机制的多尺度时序预测模型（multi-scale attention LSTM，MSA-LSTM）。该模型首先通过多尺度滑动窗口将输入序列分解为小时、日、周三个时间尺度的子序列，分别由双向长短时记忆网络（BiLSTM）提取时序特征；随后引入多头自注意力机制对各尺度特征进行自适应加权融合，使模型能够依据预测任务动态调整不同尺度的贡献；最后由全连接输出层生成多步预测结果。以某市空气质量监测站点2023年1月至2024年12月逐小时监测数据（示意数据集）为研究对象，与ARIMA、随机森林、LSTM、Transformer、Informer等基线模型进行系统对比。结果表明（示意结果），MSA-LSTM在PM2.5浓度1 h、6 h、12 h、24 h等多步预测任务上均取得最优性能，其中24 h预测平均绝对误差为6.2 μg/m³，均方根误差为9.8 μg/m³，决定系数为0.93；消融实验进一步验证了多尺度分解与注意力融合模块的独立贡献。研究结果表明，多尺度建模与注意力机制的有机结合能够显著提升污染物浓度预测精度，可为多学科交叉背景下的数据驱动环境建模提供方法参考。