Adaptive regularized ensemble learning with physically informed features for interpretable PM2.5 prediction

Gen Wang

doi:10.1007/s42452-026-09369-4

Adaptive regularized ensemble learning with physically informed features for interpretable PM2.5 prediction

2026-08-11

0

OA

AI

DOI：10.1007/s42452-026-09369-4

原文链接

原文求助

摘要

En 中文

为解决大气物理过程与时空依赖性耦合预测PM2.5（直径≤2.5 μm细颗粒物）浓度中的挑战，本研究提出了一种基于物理信息特征的可解释预测自适应正则化集成学习方法。首先，基于最大信息系数（MIC）从中国江苏和安徽两省20个区域PM2.5监测站点中为4个目标站（盱眙、江都、马鞍山和江阴）选取参考站。随后构建了36个物理信息特征，涵盖时间周期性、历史演变、空间相关性及气象条件等五类。进而建立包含随机森林、XGBoost、LightGBM、BiLSTM和CNN–BiLSTM的异构模型池作为基学习器，并提出基于凸优化的自适应正则化集成策略，动态选择L1、L2或无正则化约束以学习最优权重。使用2023年10月至2025年12月的逐小时观测数据，对所提集成模型进行1小时提前量PM2.5浓度预测评估。在4个目标站的测试集上，模型平均R²为0.894，MAE为5.257 µg m⁻³，RMSE为8.092 µg m⁻³，优于各基模型。过程导向的SHapley加性解释（SHAP）分析表明，1小时滞后PM2.5浓度及1小时变化率是关键预测因子。本研究为高精度、稳健的区域PM2.5预测提供了有效解决方案。

Keyword:

PM2.5 prediction

Adaptive regularized ensemble

Physically informed feature engineering

Maximal information coefficient

Process-oriented SHAP

Adaptive regularized ensemble learning with physically informed features for interpretable PM2.5 prediction

摘要

期刊

机构

引用论文