[论文解读] A Novel Hybrid Framework for Hourly PM2.5 Concentration Forecasting Using CEEMDAN and Deep Temporal Convolutional Neural Network

Fuxin Jiang, Chengyuan Zhang+2 more|arXiv (Cornell University)|Dec 7, 2020

Air Quality Monitoring and Forecasting参考文献 38被引用 5

一句话总结

该论文提出了一种新颖的混合模型 CEEMDAN-DeepTCN，用于通过整合完整集合经验模态分解与自适应噪声（CEEMDAN）进行降噪和特征提取，随后利用深度时间卷积神经网络（DeepTCN）对 PM2.5、气象和时间相关数据中的复杂时间模式进行建模，实现小时级 PM2.5 浓度预测。在北京市小时 PM2.5 数据上的测试表明，该模型在基准模型（包括传统时间序列模型、人工神经网络和主流深度学习模型）中实现了最高的预测精度。

ABSTRACT

For hourly PM2.5 concentration prediction, accurately capturing the data patterns of external factors that affect PM2.5 concentration changes, and constructing a forecasting model is one of efficient means to improve forecasting accuracy. In this study, a novel hybrid forecasting model based on complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) and deep temporal convolutional neural network (DeepTCN) is developed to predict PM2.5 concentration, by modelling the data patterns of historical pollutant concentrations data, meteorological data, and discrete time variables' data. Taking PM2.5 concentration of Beijing as the sample, experimental results showed that the forecasting accuracy of the proposed CEEMDAN-DeepTCN model is verified to be the highest when compared with the time series model, artificial neural network, and the popular deep learning models. The new model has improved the capability to model the PM2.5-related factor data patterns, and can be used as a promising tool for forecasting PM2.5 concentrations.

研究动机与目标

• 通过捕捉污染物、气象和时间相关数据中的复杂时间模式，提升小时级 PM2.5 浓度预测的准确性。
• 通过先进的信号分解方法，解决 PM2.5 时间序列数据中的非平稳性和噪声问题。
• 开发一种混合深度学习框架，使其在 PM2.5 浓度预测方面优于传统模型。
• 在真实世界北京空气质量数据上验证所提出的 CEEMDAN-DeepTCN 模型的有效性。

提出的方法

• 应用 CEEMDAN 算法将原始 PM2.5 浓度时间序列分解为本征模态函数（IMFs）和残差分量，以降低噪声并提取有意义的模式。
• 将气象变量（如风速、温度、湿度）和离散时间变量（如一天中的小时、一周中的星期几）作为输入特征，与分解后的 PM2.5 分量一同输入。
• 采用深度时间卷积神经网络（DeepTCN）对分解后和融合的输入序列中的长程时间依赖关系进行建模。
• 采用多步预测策略端到端训练模型，基于历史模式预测未来的 PM2.5 浓度。
• 使用 RMSE、MAE 和 R² 等标准指标评估模型性能，并与基线模型进行比较。

实验结果

研究问题

• RQ1 与传统时间序列模型和深度学习模型相比，CEEMDAN-DeepTCN 混合模型能否提升小时级 PM2.5 浓度预测的准确性？
• RQ2 CEEMDAN 分解在多大程度上增强了对非平稳且含噪的 PM2.5 时间序列数据的建模能力？
• RQ3 DeepTCN 在多大程度上能够有效捕捉 PM2.5、气象和时间相关变量中的长期时间依赖关系？
• RQ4 气象和时间特征的整合是否提升了混合模型的预测性能？

主要发现

• 在所有评估模型中，包括 ARIMA、LSTM、GRU 和标准神经网络，CEEMDAN-DeepTCN 模型实现了最高的预测精度。
• 该模型显著降低了预测误差，在北京 PM2.5 数据集上报告了最低的 RMSE 和 MAE 值。
• CEEMDAN 分解有效降低了噪声，并提高了 PM2.5 时间序列的信噪比，从而提升了下游模型的性能。
• 与 LSTM 和 GRU 等循环结构相比，DeepTCN 组件在建模长程时间依赖关系方面表现出更优的能力。
• 气象和时间相关特征的整合有助于提升模型的泛化能力和预测精度。