文章目录
摘要
本周报围绕空气质量预测相关文献展开分析，重点梳理了论文的研究背景、核心创新点及整体方法论设计。论文针对多污染物与气象因素强耦合的时间序列预测问题，指出现有方法在多变量建模和多步预测场景下的不足，并提出以统计检验驱动特征选择、结合深度模型进行多变量时序建模的研究思路。通过对方法设计逻辑的系统分析，加深了对工程型深度学习论文研究范式的理解
Abstract
This weekly report analyzes literature related to air quality prediction, with a focus on summarizing the research background, core innovations, and overall methodological design of the papers. The papers address the time series prediction problem involving strong coupling between multiple pollutants and meteorological factors, highlighting the limitations of existing methods in multivariate modeling and multi-step prediction scenarios. They propose a research approach driven by statistical testing for feature selection, combined with deep learning models for multivariate time series modeling. Through systematic analysis of the methodological design logic, this report deepens the understanding of the research paradigm in engineering-oriented deep learning papers.
本周重点学习了文献：《WaveNet-LSTM: A deep learning air quality prediction model based on both air pollutants and meteorological factors》
一、文章结构的学习
- Introduction
研究背景
现有方法不足
本文贡献 - Related Work
分类讲已有方法
每类一句话总结优缺点 - Method
Baseline
引入新的模型方法 - Experiments
数据集的介绍
对比方法
评价指标
消融实验 - Conclusion
二、研究背景
背景介绍
：随着城市化、工业化加速，空气污染问题日益严重；空气污染不仅影响气候（雾霾、酸雨等），更直接威胁人体健康；尤其是 颗粒物（PM2.5 / PM10），可以进入人体器官，甚至影响大脑。空气质量预测（AQP）对于政府决策和市民的日常活动非常重要，但空气质量预测是一个比较困难的问题：
- 污染物本身具有时间相关性、气象因素、极端状况等多重因素
- 污染物与气象的关系并不是简单的线性关系，是非线性的、动态变化的、强耦合的
- 现实应用对中短期预测更有价值，时间步长一变长，模型的性能可能就会下降
现有方法的不足之处
：
1、数值预测方法上,基于物理和化学模型，有理论基础，但是构建复杂、计算成本较高。
2、统计方法，如ARIMA, MLR, and VAR，虽简单稳定，却难以刻画非线性复杂模式。
3、传统机器学习，能学非线性，但在长时间序列建模上表现有限，且容易出现过拟合现象
4、深度学习RNN，LSTM擅长时间序列，能捕捉长期依赖，但面对"多变量多模式耦合"是表现不足。
依据以上问题，作者提出了核心问题：
在空气质量预测任务中，如何通过合理的特征选择和模型结构设计，有效建模污染物与气象因素之间的复杂时序关系，从而显著提升中短期（多步）预测的准确性与稳定性？
三、创新点
1、在特征层面，本文并未基于经验假设直接引入所有气象因素，而是通过 Granger 因果检验对气象时间序列与污染物时间序列之间的预测关系进行统计分析。
2、本文引入 WaveNet 作为多变量时序特征提取模块。WaveNet 通过因果卷积保证时间序列建模的因果一致性，并利用膨胀卷积在有限网络深度下扩大时间感受野，从而能够在多个时间尺度上捕捉污染物与气象因素之间的复杂交互模式。
3、本文构建了 WaveNet--LSTM 的两阶段预测框架，其中 WaveNet 负责从多变量时间序列中学习高质量的联合特征表示，而 LSTM 则基于该表示建模长期时间依赖关系并完成多步预测任务。
四、方法论
：
首先，建立了三种基于单一空气污染物的基线预测模型（AQPbl），分别是BPNN、RNN、LSTM，用于验证相比非序列模型，RNN 与 LSTM 在 AQP 任务中更具合理性和代表性。
针对于气象因素在AQP中的作用，作者并没有直接假设，而是引入了Granger 因果检验 作为特征筛选工具，基于一下两个模型，
之后通过F-检验公式
比较两类模型的残差差异，并依据 p-value 判断气象时间序列是否在统计意义上"有助于预测"目标污染物。
多因素构建AQP预测模型：
RNNmvt/LSTMmvt：直接支持多维输入，同步处理污染物与气象序列（如7时间步×4特征矩阵）。
BPNNmvt：需将多维序列展平为一维向量输入，导致结构限制性较强。
尽管引入关键气象因素后，多变量 RNN/LSTM（如 LSTMmvt）在预测精度上已有提升，但简单地将多变量时间序列拼接输入序列模型，并不等价于模型能够有效学习变量之间的复杂耦合关系。于是提出了一种基于深度学习的AQP模型WaveNet-LSTM，其中WaveNet，WaveNet的核心组件是因果卷积，因果卷积确保只有先前的样本可以用来生成新的样本，如下图所示
实心箭头表示卷积操作后的非线性操作，新样本生成后会向右移动。
对于基于多个变体的AQP模型，时间步骤t的样本 xt涉及多个维度，需要通过一维卷积进行处理，如图所示。
在整体方法论中，WaveNet 的角色被明确限定为：
从多变量时间序列中学习污染物与气象因素之间的潜在时序关系表示。
在完成特征提取后，作者并未直接使用 WaveNet 输出进行预测，而是将其作为输入传递至 LSTM 网络。
其方法论依据在于：
WaveNet 擅长捕捉多变量时间序列的局部结构与多尺度模式；LSTM 在建模长期时间依赖与多步预测方面具有稳定优势。因此，最终形成 WaveNet--LSTM 的两阶段预测框架：
WaveNet 负责多变量特征表示学习，LSTM 负责基于该表示进行中短期预测。
该结构设计直接服务于本文的核心目标，即提升多步预测场景下的预测性能与稳定性。
WaveNet-LSTM模型如图所示，
该模型首先将多个时间序列作为输入，然后在因果卷积层之后将它们发送到连接的残差层。为了提高AQP性能，有多个残差单元相互连接，一个残差单元的输出是下一层残差单元的输入。每个单元的跳跃连接绕过其后的残差层，并在经过1x1卷积后被收集起来作为LSTM的输入，以构建AQP模型。残差层的中间结果积累结合了多个时间序列的局部和全局特征，有助于提高AQP性能。模型的最后一部分是线性回归层，用于基于LSTM生成AQP输出。
五、总结
通过本次文献研读与分析，可以看出该论文的创新并非源于全新模型的提出，而是体现在面向复杂预测任务的整体方法论设计上。作者通过合理的问题拆解，将统计分析、多变量特征建模与序列预测模型有机结合，形成了逻辑清晰且实验充分的研究框架。本周的学习为后续在选题设计、创新点凝练以及实验结构组织等方面提供了有价值的参考，对后续开展论文研究具有重要借鉴意义。