来源：期刊VIP网 时间：
作者：刘杰;张译丹;田明;韩轲;
单位：哈尔滨理工大学测控技术与通信工程学院;中国电信股份有限公司黑龙江分公司;哈尔滨商业大学计算机与信息工程学院;
摘要：空气质量数据复杂多变，现有方法难以捕捉长期依赖关系，且对季节趋势和多变量建模不足。针对以上问题，研究基于Autoformer模型进行改进，创新性地融入了特征渐进挖掘和多维深度联系两个分支。首先，特征渐进挖掘分支通过序列分解模块将空气质量数据分解为季节分量和趋势分量，对季节分量设计了一种特征增强模块(Feature Enhancement, FE)以捕获关键特征。其次，对趋势分量设计了门控-膨胀因果卷积模块(Gated Linear Unit Dilated Causal Convolution, GLU-DCC)来获取高级时序特征。最后，构建了多维深度联系分支，该分支通过引入维度-分段嵌入模块(Dimension-Segment-Wise Embedding, DSW)和两阶段注意力机制(Two Stage Attention, TSA)提取了多元空气质量数据中的跨维度相关性。研究对两个站点进行空气质量指数(Air Quality Index, AQI)预测，试验结果显示：与基线模型相比，研究模型的两个数据集的均方误差(M_(SE))分别平均下降了47.6%和57.5%,平均绝对误差(M_(AE))分别平均下降了15.5%和38.5%,具有更优的预测性能。
关键词：环境工程学;空气质量预测;双分支融合网络;特征挖掘;跨维度相关性
基金资助：黑龙江省自然科学基金项目(LH2023E086)
