​
摘要

空气污染已成为全球性的重大公共卫生问题，对人体健康造成严重威胁。准确及时的空气质量预测对于预警发布、健康防护和污染防控具有重要意义。近年来，机器学习技术的发展为空气质量预测提供了新的解决方案，其强大的非线性拟合能力和特征提取能力显著提升了预测精度。本文系统综述了机器学习在空气质量预测领域的研究进展，分析了支持向量回归、随机森林、极端梯度提升等传统机器学习模型以及长短期记忆网络、卷积神经网络等深度学习模型的适用场景和性能特点。在此基础上，设计并实现了一个基于机器学习的空气质量预测系统，该系统集成了数据采集与预处理、特征工程、模型训练与优化、预测结果可视化等模块。针对空气质量数据的非线性、非平稳和时空依赖特性，提出了一种基于变分模态分解和优化支持向量回归的混合预测方法。实验结果表明，所提方法在PM2.5、NO₂等主要污染物的预测中取得了较好的精度，均方根误差和平均绝对误差较基准模型分别降低了15%以上。本系统的实现为空气质量精细化管理和公众健康防护提供了有效的技术支撑。

关键词：机器学习；空气质量预测；深度学习；混合模型；时间序列分析

1. 绪论
1.1 研究背景与意义
空气污染是工业化与城市化进程中伴生的重大环境问题。随着机动车保有量持续增长、工业生产和能源消耗不断加剧，大量污染物被排放到大气中，主要包括细颗粒物（PM2.5）、可吸入颗粒物（PM10）、二氧化氮（NO₂）、二氧化硫（SO₂）、臭氧（O₃）和一氧化碳（CO）等-3。这些污染物不仅导致雾霾天气频发，更对人体健康构成严重威胁。世界卫生组织的研究表明，空气污染是导致心血管疾病、呼吸系统疾病和过早死亡的重要风险因素之一，全球每年因空气污染导致的死亡人数高达670万。空气质量预测是环境污染防控的前置环节和重要手段。通过对未来一段时间内污染物浓度的准确预测，可以为政府部门制定应急减排措施提供决策依据，在重污染天气来临前发布预警，减少公众暴露风险；同时也能为敏感人群（如老人、儿童和呼吸系统疾病患者）提供出行建议，保障公众健康-7。传统的空气质量预测方法主要基于数值模拟和统计模型，如确定性扩散模型和自回归移动平均模型（ARIMA）等。然而，空气质量的形成和演变是一个复杂的物理化学过程，受到污染源排放、气象条件、地形地貌和区域传输等多重因素的耦合影响，具有高度的非线性、非平稳性和时空异质性。传统方法难以充分刻画这些复杂特征，预测精度受限。

近年来，机器学习技术的快速发展为空气质量预测开辟了新的路径。机器学习模型能够从历史数据中自动学习输入特征与污染物浓度之间的非线性映射关系，无需显式建模复杂的物理化学过程-9。特别是深度学习的兴起，使得模型能够有效提取时空特征，捕捉污染物浓度的长程依赖关系，显著提升了预测性能。因此，研究基于机器学习的空气质量预测方法，构建高精度、可解释、实时可用的预测系统，具有重要的理论价值和现实意义。

1.2 国内外研究现状
1.3 研究内容与论文结构
本文旨在设计并实现一个基于机器学习的空气质量预测系统，主要研究内容包括：（1）空气质量预测模型的构建与优化，提出一种基于变分模态分解和优化支持向量回归的混合预测方法；（2）系统架构设计与功能模块实现，涵盖数据采集、预处理、特征工程、模型训练、预测推理和可视化展示；（3）模型性能的实验评估，与多种基准模型进行对比分析。本文的结构安排如下：第一章绪论，阐述研究背景、国内外研究现状和本文研究内容；第二章介绍空气质量预测的相关理论基础，包括污染物特征、常用数据集和评价指标；第三章详细阐述系统的整体设计与各功能模块实现；第四章介绍混合预测模型的构建方法；第五章通过实验验证模型性能，并对结果进行分析讨论；第六章总结全文，并对未来研究方向进行展望。

2. 相关理论基础
2.1 空气污染物与空气质量指数
空气污染物种类繁多，根据来源和理化性质可分为颗粒物和气态污染物两大类。颗粒物主要包括PM2.5（空气动力学直径≤2.5μm的细颗粒物）和PM10（直径≤10μm的可吸入颗粒物）。PM2.5因粒径小、比表面积大，可深入肺泡甚至进入血液循环，对人体健康的危害尤为严重。PM2.5的来源包括化石燃料燃烧、工业排放、机动车尾气和二次气溶胶形成等。气态污染物主要包括：二氧化氮（NO₂），主要来自机动车尾气和工业燃烧过程，是高反应性气态污染物，可导致呼吸道炎症；二氧化硫（SO₂），主要来自燃煤电厂和工业过程，是酸雨形成的重要前体物；臭氧（O₃），非直接排放，由氮氧化物和挥发性有机物在光照条件下经光化学反应生成，近地面高浓度臭氧对呼吸系统有强烈刺激作用；一氧化碳（CO），主要来自不完全燃烧，会降低血液携氧能力。空气质量指数（AQI）是综合评价空气质量的无量纲指数，将上述污染物的浓度按照一定规则映射为0~500的数值，并划分为六个等级：优（0-50）、良（51-100）、轻度污染（101-150）、中度污染（151-200）、重度污染（201-300）和严重污染（>300）-8。AQI的计算采用分指数最大法，即取各污染物的空气质量分指数（IAQI）中的最大值，对应的污染物为首要污染物。AQI的发布使公众能够直观理解空气质量状况，便于采取相应的防护措施。

2.2 时间序列预测基本概念
空气质量预测本质上是一个时间序列预测问题。时间序列是指按时间顺序排列的一组观测值，记为{x₁, x₂, ..., xₜ}，其中t表示时间索引。时间序列预测的目标是根据历史观测值，预测未来某一时刻或多个时刻的取值，即求解条件概率P(xₜ₊₁|x₁, x₂, ..., xₜ)-6。

时间序列通常包含以下几种成分：趋势成分，反映序列长期上升或下降的变化方向；季节成分，反映固定周期（如日、周、年）内的规律性波动；周期成分，类似于季节成分但周期不固定；随机成分，无法由趋势和季节解释的随机波动。空气质量时间序列往往同时包含上述成分，且受气象条件和排放变化的影响，表现出复杂的非线性特征-6。

根据预测步长的不同，可分为单步预测和多步预测。单步预测只输出下一个时刻的值，多步预测则需要输出未来多个时刻的值，后者难度更大，误差累积效应明显-9。根据输入变量的数量，可分为单变量预测（仅使用污染物自身历史值）和多变量预测（同时使用气象、时空等多类特征），多变量预测通常能取得更好效果-2。

2.3 机器学习基础模型
支持向量回归（SVR） 是支持向量机在回归问题上的推广。其核心思想是通过核函数将输入空间映射到高维特征空间，在高维空间中构造一个超平面，使得所有样本点尽可能靠近超平面。SVR引入不敏感损失函数ε，允许预测值与真实值之间存在不超过ε的误差，同时通过最大化间隔来控制模型复杂度。对于非线性问题，可通过核技巧实现，常用核函数包括线性核、多项式核和径向基核（RBF）-1。SVR的优点是泛化能力强、对高维数据有效，缺点是计算复杂度较高，对大规模训练集不友好。

随机森林（RF） 是一种基于Bagging策略的集成学习方法。它通过自助采样（bootstrap）从原始训练集中生成多个样本子集，为每个子集训练一棵决策树，最终预测结果取所有树的平均（回归）或投票（分类）。随机森林在树节点分裂时随机选择特征子集，进一步增加了基学习器的多样性。随机森林的优点包括：能处理高维数据，可输出特征重要性，抗过拟合能力强，训练速度快-7。在空气质量预测中，随机森林常用于特征筛选和基准模型构建-2。

极端梯度提升（XGBoost） 是一种基于梯度提升框架的集成学习方法。与随机森林的并行式集成不同，XGBoost采用串行方式，每一棵新树都拟合前一棵树的残差，不断减小预测误差。XGBoost在目标函数中引入正则项控制模型复杂度，支持列采样，可自动处理缺失值，并利用二阶泰勒展开加速优化-3。XGBoost在多个机器学习竞赛中表现优异，在空气质量预测中同样取得了较好效果-2。

长短期记忆网络（LSTM） 是循环神经网络的改进变体，专门设计用于解决长期依赖问题。LSTM引入记忆单元和门控机制，包括输入门、遗忘门和输出门。遗忘门决定上一时刻状态信息的保留程度，输入门控制新信息的写入，输出门则基于当前状态产生输出。通过这种门控结构，LSTM可以选择性地记忆和遗忘信息，有效缓解梯度消失和梯度爆炸问题-6。在空气质量预测中，LSTM能够捕捉污染物浓度的长期变化趋势和季节性规律，是应用最广泛的深度学习模型之一-7。

卷积神经网络（CNN） 最初用于图像处理，但在时间序列预测中也展现出良好性能。一维CNN通过在时间维度上滑动卷积核，提取局部时序模式。多个卷积层堆叠可以提取不同时间尺度的特征。CNN的优势在于计算效率高，可并行训练，且对局部扰动不敏感。在空气质量预测中，CNN常与LSTM结合使用，CNN负责提取特征，LSTM负责时序建模-7。

2.4 模型评估指标
为客观评估模型性能，需要采用定量评价指标。设yᵢ为第i个样本的真实值，ŷᵢ为预测值，n为样本总数，常用指标包括：

均方根误差（RMSE） 是预测误差平方均值的平方根，对异常值较为敏感，计算公式为：
RMSE = √[(1/n) ∑(yᵢ - ŷᵢ)²]

平均绝对误差（MAE） 是预测误差绝对值的平均值，反映预测误差的平均幅度，计算公式为：
MAE = (1/n) ∑|yᵢ - ŷᵢ|

决定系数（R²） 衡量模型对数据方差的解释程度，取值范围为(-∞, 1]，越接近1表示拟合效果越好，计算公式为：
R² = 1 - [∑(yᵢ - ŷᵢ)² / ∑(yᵢ - ȳ)²]

平均绝对百分比误差（MAPE） 是相对误差的度量，便于不同量纲数据间的比较，计算公式为：
MAPE = (100%/n) ∑|(yᵢ - ŷᵢ)/yᵢ|

上述指标从不同角度反映了预测精度，通常需要综合考量-4-1。RMSE和MAE的单位与原始数据相同，便于直观理解预测误差的大小；R²则反映模型的解释能力。在模型对比时，还需考虑计算效率，如训练时间和推理时间-1。

3. 系统总体设计
3.1 系统架构
基于机器学习的空气质量预测系统采用分层架构设计，自下而上分为数据层、处理层、模型层和应用层。系统架构如图1所示（注：此处假设有架构图）。

数据层负责多源数据的接入与管理。主要数据源包括：环境监测站点实时数据（来自地面监测网络的逐时污染物浓度）、气象数据（温度、湿度、气压、风速、风向、降水量等）、时空属性数据（监测站点的经纬度、海拔、周边用地类型等）。数据通过API接口、文件导入或数据库连接等方式接入，原始数据可能存在缺失、异常和格式不一致等问题，需要在处理层进行清洗-8。

处理层负责数据预处理和特征工程。预处理包括缺失值处理（插补或删除）、异常值检测与修正、数据标准化/归一化等。特征工程包括构造时序特征（滞后变量、滑动窗口统计）、气象特征融合、特征筛选（基于相关性分析或模型重要性）等。处理后的数据被划分为训练集、验证集和测试集，供模型层使用-2。

模型层是系统的核心，负责模型的训练、优化、评估和推理。模型库中集成多种算法，包括SVR、RF、XGBoost等传统模型以及LSTM、CNN等深度学习模型，同时支持混合模型的构建。超参数优化模块采用网格搜索、随机搜索或贝叶斯优化等方法自动寻优。训练完成的模型经评估合格后，部署至推理服务模块，提供实时预测能力-1。

应用层面向最终用户，提供预测结果的可视化展示和交互功能。用户可通过Web端或移动端应用查看实时空气质量、未来多日预测趋势、不同污染物的浓度变化等。系统还提供预警推送功能，当预测到重污染天气时，自动向用户发送预警信息-8。

3.2 功能模块划分
系统功能模块包括：

数据采集模块：定时从数据源获取最新数据，支持多种数据格式（CSV、JSON、NetCDF等），具备数据校验和断点续传功能。

数据预处理模块：实现缺失值处理（线性插值、前向填充、KNN插补）、异常值检测（3σ准则、箱线图、DBSCAN聚类）、数据标准化（Z-score、Min-Max）等功能。

特征工程模块：构建时间特征（小时、星期、季节）、滞后特征（t-1, t-2, ..., t-24时刻的污染物浓度）、滑动窗口统计特征（过去3小时、6小时、24小时的均值、标准差）、气象特征（温湿度组合、风向编码）等。采用Catboost或随机森林进行特征重要性评估，筛选最优特征子集-2。

模型训练与优化模块：支持多种算法的并行训练，集成超参数自动优化功能，记录每次实验的模型参数和性能指标，便于追溯和对比。

预测推理模块：加载最优模型，接收实时输入特征，输出未来1-48小时的逐时污染物浓度预测值，支持批量预测和单点预测两种模式。

可视化与交互模块：提供交互式图表，包括时间序列对比图、污染物分布热力图、AQI等级分布图等，支持预测结果的导出和报告生成。

预警管理模块：根据预测结果自动判断是否触发预警阈值，通过邮件、短信或应用推送发送预警通知，记录预警历史。

3.3 数据采集与预处理流程
数据采集流程遵循ETL（抽取-转换-加载）模式。抽取阶段，通过定时任务每小时从中国环境监测总站、气象数据服务中心等公开接口获取最新数据。为防止接口失效或网络中断，设置重试机制和备用数据源。转换阶段，将不同来源的数据按统一的时间戳和站点ID对齐，形成结构化数据表。加载阶段，将数据写入时序数据库（如InfluxDB）和关系型数据库（如MySQL），分别用于实时查询和历史分析-8。

预处理是保证模型质量的关键步骤。对于缺失值，若连续缺失不超过3小时，采用线性插值填充；若缺失较多，则考虑剔除该时段或使用邻近站点的数据辅助填充-4。对于异常值，首先通过阈值法剔除超出物理可能范围的值（如PM2.5<0或>1000），再采用3σ准则检测统计异常，对识别出的异常值以插补值替代。对于不同量纲的特征，采用Z-score标准化或Min-Max归一化处理，使特征尺度统一，避免量级差异对模型训练的影响-8。

​