摘 要：針對現在ＰＭ２．５ 濃度預測模的預測精度不高和泛化能力差的問題，提出一種結合時間模式注意力機制和改進時間卷積網絡（Ｔｅｍｐｏｒａｌ Ｐａｔｔｅｒｎ Ａｔｔｅｎｔｉｏｎ ａｎｄ Ｔｅｍｐｏｒａｌ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ，ＴＰＡ-ＴＣＮ） 的ＰＭ２．５ 濃度預測模型。通過對氣象數據和空氣污染物監(jiān)測站點數據進行時空分析，選擇具有高相關性的鄰近站點作為輔助變量。引入ＴＰＡ 機制，在ＰＭ２．５數據時間序列的每個時間步上計算注意力權重，改進ＴＣＮ 的殘差結構，提高模型的訓練速度和魯棒性。使用自回歸（Ａｕ-ｔｏｒｅｇｒｅｓｓｉｖｅ，ＡＲ） 算法優(yōu)化模型的線性提取能力。實驗結果表明，該模型在ＰＭ２．５ 預測對比實驗任務中表現優(yōu)異，具備更高的預測精度和更強的泛化能力。

關鍵詞：ＰＭ２．５ 預測；時間卷積網絡；時間模式注意力機制

中圖分類號：ＴＰ３９１ 文獻標志碼：Ａ

文章編號：１００３－３１０６（２０２４）１０－２３１５－１０

０ 引言

近年來，隨著中國城市化和工業(yè)化的快速發(fā)展，空氣污染問題日益嚴重，霧霾已經對人類的生活、經濟和健康造成了嚴重影響［１］。其中ＰＭ２． ５ 作為霧霾中的主要成分之一，是指在大氣中空氣動力學直徑小于等于２． ５ μｍ 的可吸入顆粒物［２］。ＰＭ２． ５ 很容易吸收多環(huán)芳烴、汞等有害化學物質，不僅會降低大氣能見度，還會附著在人體的呼吸道和肺葉上，進而發(fā)展為呼吸道問題、肺癌和心血管等嚴重疾?。郏常?。因此，及時準確地預測和提前預警ＰＭ２． ５ 濃度對空氣污染治理和人們生活出行具有重要意義。