【儀表網(wǎng) 研發(fā)快訊】近日，中國科學院安光所高閩光研究員團隊在道路交通污染物多任務(wù)預測領(lǐng)域取得了重要進展。相關(guān)研究成果“基于DSTMA-BLSTM算法的道路污染物時間序列預測與敏感性分析”發(fā)表于環(huán)境建模與軟件領(lǐng)域國際權(quán)威期刊Environmental　Modelling　&　Software。
 

　　城市道路交通排放是現(xiàn)代都市大氣復合污染的重要成分，其污染物濃度的時空演化受大氣氣象場擾動、交通行為模式及機動車排放結(jié)構(gòu)多因素驅(qū)動。該過程具有顯著的非線性耦合與多尺度時變特征，使得傳統(tǒng)的線性統(tǒng)計模型在多源耦合情境下難以保持穩(wěn)定的泛化性能。盡管近年來機器學習和深度神經(jīng)網(wǎng)絡(luò)在空氣質(zhì)量預測中取得一定進展，但其模型結(jié)構(gòu)通常缺乏物理可解釋性，未充分考慮多污染物間的共變關(guān)系和異質(zhì)動態(tài)特征，這成為限制其在復雜道路環(huán)境中應(yīng)用的主要技術(shù)瓶頸。
 

　　針對上述問題，安光所研究團隊設(shè)計了一種融合雙向長短期記憶網(wǎng)絡(luò)(BLSTM)結(jié)構(gòu)與動態(tài)共享-任務(wù)特異多頭注意力機制(DSTMA)的多任務(wù)深度學習模型，實現(xiàn)對多污染物時序特征的聯(lián)合建模與自適應(yīng)分解。該模型在結(jié)構(gòu)上通過共享注意力層提取不同污染物間的共性時序模式，同時利用任務(wù)特異注意力頭刻畫各污染物的獨立響應(yīng)特征，從而實現(xiàn)對共享特征與差異性特征的自適應(yīng)分離?；谡鎸嵉缆繁O(jiān)測數(shù)據(jù)進行的驗證結(jié)果表明，該算法在NO、NO2、CO2預測中分別實現(xiàn)了R²=0.959、0.944、0.949(R²的值越接近1，說明回歸直線對觀測值的擬合程度越好)的高精度表現(xiàn)，相比傳統(tǒng)LSTM模型平均誤差下降約30%，R²整體提升約0.06–0.12。該研究表明，DSTMA-BLSTM算法在交通排放監(jiān)測、城市空氣質(zhì)量預測及環(huán)境決策支持中具有廣闊應(yīng)用前景。
 

　　論文的通訊作者為李相賢研究員，第一作者為秦玉勝博士后。本研究獲得了國家重點研發(fā)計劃(2023YFC3705403)等項目的資助支持。
 

基于DSTMA-BLSTM的污染物多任務(wù)預測算法
 

NOx聯(lián)合預測結(jié)果