arXiv cs.AI· Moazzam Umer Gondal, Hamad ul Qudous, Asma Ahmad Farhan, Sultan Alamri·· 12 小时前AI 评分18
北京PM2.5小时级预测对比研究：SARIMAX、Facebook Prophet与NeuralProphet的自适应时序模型评测
Interpretable PM2.5 Forecasting for Urban Air Quality: A Comparative Study of Adaptive Time-Series Models
AI 导读
一项针对北京小时级PM2.5预测的研究对比了SARIMAX、Facebook Prophet和NeuralProphet三种轻量可解释时序模型。
正文 · AI 翻译
摘要：准确的短期空气质量预报对公共卫生防护和城市管理至关重要，然而近期许多预报框架依赖于复杂、数据密集且计算要求高的模型。本研究探讨轻量且可解释的预报方法能否在中国北京的逐小时 PM2.5 预测中提供有竞争力的性能。利用多年污染物和气象时间序列数据，我们开发了一套防泄漏的预报工作流，在 Perfect Prognosis 设定下结合了按时间顺序的数据划分、预处理、特征选择和外生驱动因素建模。评估了三个预报模型族：SARIMAX、Facebook Prophet 和 NeuralProphet。为评估实际部署表现，模型在两种自适应机制下进行了测试：每周滚动前向重拟合和带在线残差校正的冻结预报。结果显示，两者在预测准确性和计算效率上均存在明显差异。在滚动前向重拟合下，Facebook Prophet 取得了最强的完整性能，MAE 为 $37.61$，RMSE 为 $50.10$，同时所需执行时间远少于 NeuralProphet。在冻结模型机制下，在线残差校正改善了 Facebook Prophet 和 SARIMAX，校正后的 SARIMAX 取得了最低的总体误差（MAE $32.50$；RMSE $46.85$）。NeuralProphet 在两种机制下准确性和稳定性均较差，且残差校正未能改善其预报。值得注意的是，校正后的 Facebook Prophet 误差几乎与滚动前向版本相同，同时将运行时间从 $15$ 分 $21.91$ 秒缩短至 $46.60$ 秒。这些发现表明，轻量级加性预报策略在城市空气质量预测中仍可保持高度竞争力，在准确性、可解释性……之间提供了实用的平衡
| 评论： | 提交至 Scientific Reports |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2603.25495 [cs.LG] |
| （或 arXiv:2603.25495v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.25495 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Moazzam Umer Gondal [查看邮箱]
[v1]
2026年3月26日 星期四 14:35:43 UTC（8,706 KB）
[v2]
2026年10月19日 星期一 21:47:54 UTC（121 KB）
来源：arXiv cs.AI · arxiv.org