Усовершенствованный метод прогнозирования качества воздуха на основе интеграции разложения на моды признаков и многослойной пластичной сети с эхосостоянием
An Enhanced Air Quality Forecasting Method Integrating Feature Mode Decomposition and Multilayer Plasticity Echo State Network
2026-02-04
SCID: 54.1/2gxv72jt
Discuss with AI
прогнозирование качества воздухадекомпозиция мод признаковмногошаговое прогнозированиемногоуровневая пластичная сеть с эхо-состоянияминестационарные временные ряды загрязнителей
Figures from the paper
Abstract (AI)
Прогнозирование качества воздуха играет ключевую роль в экологической науке, особенно в контексте смягчения последствий стремительной урбанизации и индустриализации. Традиционные подходы, включая модели, основанные как на механистических принципах, так и на данных, часто испытывают трудности при работе с выраженной нестационарностью, пространственной неоднородностью и сложными взаимодействиями между загрязнителями, характерными для временных рядов атмосферных показателей. Для решения этих задач мы предлагаем многослойную пластичную сеть с эхосостоянием на основе разложения на моды признаков (Feature Mode Decomposition-based Multi-layer Plasticity Echo State Network, FMD-MPESN) — новую архитектуру, объединяющую усовершенствованную предварительную обработку экологических данных с адаптивной нейронной динамикой. В частности, разложение на моды признаков (FMD) используется для разделения исходных рядов концентраций загрязнителей на интерпретируемые частотные компоненты, что позволяет отделить долгосрочные тренды от краткосрочных колебаний. Затем эти компоненты обрабатываются сетью с эхосостоянием, дополненной многослойной нейропластичностью, обеспечивающей динамическую настройку внутренних связей и иерархическое извлечение признаков для более точного описания изменяющихся состояний окружающей среды. Масштабные эксперименты на наборах данных о качестве воздуха в Китае и международных наборах данных показали, что FMD-MPESN стабильно превосходит сопоставимые базовые модели глубокого обучения и модели на основе ESN, обеспечивая в многошаговом прогнозировании снижение RMSE до 11.7% и MAPE до 12.4%, а также демонстрируя более высокую устойчивость и обобщающую способность на региональных наборах данных различного типа. Эти результаты подчеркивают потенциал FMD-MPESN как масштабируемого инструмента поддержки принятия решений для экологического мониторинга, защиты здоровья населения и устойчивого городского управления.
Key Findings
1
На китайских и международных наборах данных FMD-MPESN превзошла конкурентные глубокие модели и модели ESN, снизив RMSE многошагового прогнозирования до 11,7%, а MAPE — до 12,4%.
2
Разложение по модам признаков разделяет временные ряды загрязнителей на интерпретируемые частотные компоненты, различая долгосрочные тренды и краткосрочные колебания.
3
Многослойная нейропластичность динамически корректирует внутренние связи сети и обеспечивает иерархическое выделение признаков для меняющихся экологических условий.
4
Метод продемонстрировал более высокую устойчивость и обобщающую способность между регионами, что подтверждает его потенциал для масштабируемого экологического мониторинга и поддержки принятия решений.
5
Предложенная модель FMD-MPESN объединяет разложение по модам признаков с многослойной пластичной сетью с эховым состоянием для прогнозирования качества воздуха.
Research Object
качество воздуха и временные ряды данных о загрязняющих веществах в региональных наборах данных Китая и других стран
Research Subject
точность, устойчивость и обобщающая способность многошагового прогнозирования качества воздуха в условиях нестационарной динамики загрязняющих веществ
Publication Details
Publication Date
2026-02-04
Journal
Publisher
ISSN
Cited by
0
Access Type
Author Information
Download PDF
Subscribe to digest