基于多层注意力机制的多元空气污染物浓度预测方法研究

摘要

针对空气污染物浓度预测领域存在的变量种类单一、时空特征提取困难及维度（变量）间复杂依赖性等问题，提出了一种基于多层注意力机制的多元空气污染物浓度预测框架（spatial-temporal-dimensional Transformer, STD-Transformer）.该模型采用多模态分段嵌入方法，结合时空特征与维度特征嵌入技术进行数据预处理，通过构建时间、空间及维度三层注意力机制，实现了对多元时空特征的高效提取与关键信息聚焦.模型输入涵盖多站点空气质量数据与地理位置信息，能同步预测PM_2.5、PM₁₀、NO₂、SO₂等污染物的浓度.结果显示，在1～12 h内的多种污染物浓度预测中，相较于现有先进方法，STD-Transformer的平均绝对误差降低了11.46%,展现了其处理复杂环境数据的优越性能.

关键词

多元空气污染物浓度预测 / 注意力机制 / 变量依赖性 / 时空特征