DOI: https://doi.org/10.1038/s41598-026-46978-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41933122
تاريخ النشر: 2026-04-03
المؤلف: Yong Fang وآخرون
الموضوع الرئيسي: مراقبة جودة الهواء وتوقعاته
نظرة عامة
تقدم هذه الدراسة إطار عمل جديد للتنبؤ بمؤشر جودة الهواء (AQI) الذي يدمج تحليل النمط التجريبي الكامل مع الضوضاء التكيفية (CEEMDAN)، والشبكات العصبية الالتفافية (CNN)، ووحدات التكرار الموجهة ثنائية الاتجاه (BiGRU)، وآلية الانتباه. يتناول الإطار التحديات التي تطرحها الطبيعة غير الخطية وغير الثابتة لسلاسل زمنية AQI، مما يعقد النماذج التنبؤية التقليدية. من خلال تحليل إشارات AQI إلى مكونات تردد مستقرة باستخدام CEEMDAN، يقلل النموذج من ضوضاء البيانات، بينما تستخرج الشبكات العصبية الالتفافية ووحدات BiGRU الميزات بفعالية وتلتقط الاعتماديات طويلة الأمد. يقوم محسن الذئب الرمادي المحسن (IGWO) بأتمتة ضبط المعلمات الفائقة، مما يعزز أداء النموذج. تظهر النتائج التجريبية من مجموعة بيانات في قوانغتشو (2014-2024) فعالية النموذج، حيث تحقق متوسط خطأ تربيعي (MSE) قدره 10.2456 ومعامل تحديد ($R^2$) قدره 0.9615.
تؤكد النتائج على قوة الإطار ودقته، خاصة في معالجة التحديات المزدوجة لضوضاء الإشارة وحساسية المعلمات الفائقة. يتفوق النموذج على الشبكات التكرارية التقليدية والهجينة غير المحسنة، حيث يساهم IGWO في تقليل خطأ التنبؤ بنسبة 39.3%. تكشف دراسات الإزالة عن الدور الحاسم لطبقة BiGRU في التقاط علاقات انتشار الملوثات ثنائية الاتجاه. بالإضافة إلى ذلك، تشير الاختبارات عبر المدن إلى قابلية نقل النموذج، حيث يعمل بشكل جيد في المدن ذات الخصائص المماثلة ولكنه يواجه تحديات في البيئات المختلفة. ستركز الأعمال المستقبلية على دمج مصادر البيانات المتنوعة واستكشاف استراتيجيات نشر خفيفة لتعزيز قدرات المراقبة في الوقت الحقيقي، ومعالجة تأثيرات الحدود في التحليل عبر الإنترنت.
مقدمة
تتناول مقدمة هذه الورقة البحثية القضية العالمية الملحة لتلوث الهواء، مع التأكيد على آثارها الضارة على صحة الإنسان والأنظمة البيئية والتنمية الاقتصادية. يتم تسليط الضوء على مؤشر جودة الهواء (AQI) كأداة حاسمة للتواصل العام واتخاذ القرارات التنظيمية بشأن جودة الهواء. ومع ذلك، فإن التنبؤ بدقة بمؤشر AQI يمثل تحديًا بسبب الطبيعة المعقدة وغير الخطية والصاخبة للعمليات الجوية. تواجه طرق التنبؤ التقليدية، بما في ذلك النماذج العددية المعتمدة على الفيزياء والنهج الإحصائية مثل ARIMA، قيودًا في التقاط الديناميكيات المعقدة لبيانات AQI. تشير الورقة إلى تحول نحو تقنيات التعلم الآلي (ML)، التي أظهرت وعدًا في تحسين دقة التنبؤ ولكنها غالبًا ما تتطلب مجموعات بيانات كبيرة ليست متاحة عادةً للمدن الفردية.
لمعالجة هذه التحديات، يقترح المؤلفون إطار عمل هجيني جديد يسمى نموذج CEEMDAN-CNN-IGWO-BiGRU-Attention، والذي يدمج عدة مكونات متقدمة للتنبؤ بمؤشر AQI على المدى الطويل. تشمل الابتكارات الرئيسية نظامًا شاملًا ينسق تحليل CEEMDAN مع خط أنابيب CNN-BiGRU-Attention لنمذجة متخصصة لمكونات التردد، واستخدام محسن الذئب الرمادي المحسن (IGWO) لضبط المعلمات الفائقة بكفاءة. كما توضح الورقة إطار تقييم تجريبي صارم لتقييم مساهمات كل مكون من مكونات النموذج. على الرغم من نقاط قوته، يواجه النموذج قيودًا، خاصة في التنبؤ بأحداث AQI القصوى وأثناء الانتقالات الموسمية، مما يشير إلى مجالات لتحسين منهجيات التنبؤ بشكل أكبر.
طرق
في قسم الطرق، يوضح المؤلفون خط أنابيب المعالجة المسبقة الشامل الذي يهدف إلى ضمان جودة البيانات وتعزيز قوة النموذج لتحليل بيانات سلسلة زمنية لمؤشر جودة الهواء (AQI). لمعالجة القيم المفقودة، تم استخدام الاستيفاء الخطي، مما يساعد على الحفاظ على الاستمرارية الزمنية مع الحفاظ على الأنماط الأساسية في البيانات. تم إجراء كشف النقاط الشاذة باستخدام طريقة Z-score على مجموعة التدريب، مع تحديد عتبة عند ±3 انحرافات معيارية لمنع تسرب المعلومات. تم تطبيق معلمات القياس المستمدة من مجموعة التدريب بشكل متسق على مجموعة الاختبار لضمان التوحيد.
علاوة على ذلك، خضعت جميع الميزات لتطبيع الحد الأدنى – الحد الأقصى إلى الفترة [0، 1]، مما يلغي بشكل فعال التباينات في المقياس ويسهل التقارب الأسرع للشبكة العصبية. لا تعمل هذه الطريقة في المعالجة المسبقة على تحسين استقرار عملية التدريب فحسب، بل تعمل أيضًا على تحسين تمثيل المدخلات لوحدات تحليل الميزات والتعلم العميق اللاحقة، مما يعزز الأداء العام للنموذج.
نتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول لتوضيح النتائج. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الدراسات السابقة لتسليط الضوء على الفروق أو التأكيدات المهمة.
في هذا القسم، قد يبلغ المؤلفون عن فعالية الطرق أو التدخلات المقترحة، مع عرض مقاييس مثل الدقة، والوضوح، أو غيرها من مؤشرات الأداء ذات الصلة. يتم مناقشة أي اتجاهات أو ارتباطات أو شذوذ تم ملاحظتها، مما يوفر رؤى حول آثار النتائج في السياق الأوسع لمجال البحث. بشكل عام، تخدم النتائج في التحقق من أهداف البحث وتساهم في الجسم المعرفي القائم.
مناقشة
يمثل إطار CEEMDAN-CNN-IGWO-BiGRU-Attention المقترح تقدمًا كبيرًا في التنبؤ بمؤشر جودة الهواء (AQI) من خلال دمج طريقة معالجة مسبقة جديدة (CEEMDAN) مع بنية تعلم عميقة متطورة. يتم معالجة كل مكون من مكونات سلسلة زمنية AQI من خلال شبكة فرعية مخصصة تستخدم الشبكات العصبية الالتفافية (CNN)، ووحدات التكرار الموجهة ثنائية الاتجاه (BiGRU)، وآلية الانتباه لاستخراج وتحديد أولويات الميزات الزمانية المكانية متعددة المقاييس. يتم تحسين المعلمات الفائقة لهذه الشبكات الفرعية باستخدام محسن الذئب الرمادي المحسن (IGWO)، مما يعزز أداء النموذج من خلال أتمتة البحث عن التكوينات المثلى، وبالتالي ضمان تعلم قوي عبر مقاييس زمنية مختلفة.
تظهر النتائج التجريبية أن النموذج المتكامل يحقق متوسط خطأ تربيعي (MSE) قدره 10.2456 على مجموعة اختبار قوانغتشو، متفوقًا على نماذج الأساس المختلفة، بما في ذلك الهياكل المتطورة. تؤكد دراسة الإزالة المساهمات الحاسمة لكل مكون، مما يكشف أن إزالة أي عنصر واحد – مثل تحليل CEEMDAN أو تحسين IGWO – يؤدي إلى تدهور كبير في الأداء. يسلط هذا الضوء على الطبيعة التآزرية لبنية النموذج، حيث يلعب كل جزء دورًا حيويًا في تعزيز دقة التنبؤ. يفصل تحليل CEEMDAN بشكل فعال الإشارة عن الضوضاء، مما يسمح للنموذج بالتركيز على الأنماط المهمة، بينما تعمل مكونات CNN وBiGRU معًا لالتقاط كل من الاعتماديات المحلية وطويلة الأمد في البيانات. بشكل عام، تؤسس هذه الدراسة إطارًا قويًا لتنبؤ AQI، مع آثار لتحسين دقة التنبؤ في تطبيقات السلاسل الزمنية الأخرى.
قيود
تسلط قيود النموذج المقترح الضوء على عدة قيود عملية تؤثر على أدائه وقابليته للتطبيق. تعتبر التكلفة الحسابية العالية المرتبطة بالبحث المعقد عن المعلمات الفائقة المدفوعة بواسطة محسن الذئب الرمادي المحسن (IGWO) مصدر قلق رئيسي. بالإضافة إلى ذلك، تتأثر دقة النموذج التنبؤية بشكل كبير بجودة البيانات، خاصة عند مواجهة تسلسلات طويلة من القيم المفقودة. كما أن جدوى النشر في الوقت الحقيقي محدودة أيضًا بسبب تأثيرات الحدود المتأصلة في طريقة تحليل النمط التجريبي الكامل مع الضوضاء التكيفية (CEEMDAN)، والتي تتطلب استخدام الإشارة الكاملة لحساب الدوال النمطية الداخلية (IMFs). تشكل هذه المتطلبات تحديات في السيناريوهات المتدفقة حيث تصل البيانات بشكل تدريجي، حيث قد تؤدي إلى أوقات معالجة غير عملية وعيوب محتملة.
لمعالجة هذه القيود في الأعمال المستقبلية، يقترح المؤلفون عدة استراتيجيات. يخططون للتحقيق في CEEMDAN باستخدام نافذة منزلقة، مما سيسمح بالتحليل على نافذة حديثة ذات طول ثابت، واستكشاف خوارزميات التحليل عبر الإنترنت مثل التحليل التجريبي عبر الإنترنت (EMD). علاوة على ذلك، يهدف المؤلفون إلى تعزيز كفاءة النموذج من خلال تقنيات الضغط وخوارزميات البحث المحسنة لتقليل وقت التدريب. كما يعتزمون تطوير طرق قوية للتعامل مع فجوات البيانات، ربما من خلال تقنيات الاستيفاء المتقدمة. توسيع النموذج ليشمل عوامل إضافية، مثل الطقس المحلي ومصادر الانبعاثات، هو هدف آخر، بالإضافة إلى اختبار الإطار عبر ملوثات ومناطق جغرافية متنوعة لضمان موثوقيته في بيئات مختلفة.
DOI: https://doi.org/10.1038/s41598-026-46978-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41933122
Publication Date: 2026-04-03
Author(s): Yong Fang et al.
Primary Topic: Air Quality Monitoring and Forecasting
Overview
This research presents a novel forecasting framework for the Air Quality Index (AQI) that integrates Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN), Convolutional Neural Networks (CNN), Bidirectional Gated Recurrent Units (BiGRU), and an Attention mechanism. The framework addresses the challenges posed by the non-linear and non-stationary nature of AQI time series, which complicate traditional predictive models. By decomposing AQI signals into stable frequency components using CEEMDAN, the model reduces data noise, while CNNs and BiGRU units effectively extract features and capture long-term dependencies. An Improved Grey Wolf Optimizer (IGWO) automates hyperparameter tuning, enhancing model performance. Experimental results from a dataset in Guangzhou (2014-2024) demonstrate the model’s efficacy, achieving a mean squared error (MSE) of 10.2456 and a coefficient of determination ($R^2$) of 0.9615.
The findings underscore the framework’s robustness and accuracy, particularly in addressing the dual challenges of signal noise and hyperparameter sensitivity. The model outperforms traditional recurrent networks and non-optimized hybrids, with the IGWO contributing to a 39.3% reduction in prediction error. Ablation studies reveal the critical role of the BiGRU layer in capturing bidirectional pollutant diffusion relationships. Additionally, cross-city tests indicate the model’s transferability, performing well in cities with similar characteristics but facing challenges in distinct environments. Future work will focus on integrating heterogeneous data sources and exploring lightweight deployment strategies to enhance real-time monitoring capabilities, addressing boundary effects in online decomposition.
Introduction
The introduction of this research paper addresses the pressing global issue of air pollution, emphasizing its detrimental effects on human health, ecosystems, and economic development. The Air Quality Index (AQI) is highlighted as a crucial tool for public communication and regulatory decision-making regarding air quality. However, accurately forecasting the AQI is challenging due to the complex, non-linear, and noisy nature of atmospheric processes. Traditional forecasting methods, including physically-based numerical models and statistical approaches like ARIMA, have limitations in capturing the intricate dynamics of AQI data. The paper notes a shift towards machine learning (ML) techniques, which have shown promise in improving forecasting accuracy but often require large datasets that are not typically available for single cities.
To address these challenges, the authors propose a novel hybrid framework named the CEEMDAN-CNN-IGWO-BiGRU-Attention model, which integrates several advanced components for long-term AQI prediction. Key innovations include an end-to-end system that harmonizes CEEMDAN decomposition with a CNN-BiGRU-Attention pipeline for specialized modeling of frequency components, and the use of an Improved Grey Wolf Optimizer (IGWO) for efficient hyperparameter tuning. The paper also outlines a rigorous empirical evaluation framework to assess the contributions of each model component. Despite its strengths, the model faces limitations, particularly in predicting extreme AQI events and during seasonal transitions, indicating areas for further improvement in forecasting methodologies.
Methods
In the Methods section, the authors detail their comprehensive preprocessing pipeline aimed at ensuring data quality and enhancing model robustness for their analysis of air quality index (AQI) time series data. To address missing values, linear interpolation was employed, which helps maintain temporal continuity while preserving the underlying patterns in the data. Outlier detection was conducted using the Z-score method on the training set, with a threshold set at ±3 standard deviations to prevent information leakage. The scaling parameters derived from the training set were consistently applied to the test set to ensure uniformity.
Furthermore, all features underwent min-max normalization to the [0, 1] interval, effectively eliminating scale discrepancies and facilitating faster convergence of the neural network. This preprocessing approach not only improves the stability of the training process but also optimizes the input representation for subsequent feature decomposition and deep learning modules, thereby enhancing the overall performance of the model.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and visual representations such as graphs or tables to illustrate the outcomes. The results are often compared against hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may report on the effectiveness of the proposed methods or interventions, showcasing metrics such as accuracy, precision, or other relevant performance indicators. Any observed trends, correlations, or anomalies are discussed, providing insights into the implications of the findings within the broader context of the research field. Overall, the results serve to validate the research objectives and contribute to the existing body of knowledge.
Discussion
The proposed CEEMDAN-CNN-IGWO-BiGRU-Attention framework represents a significant advancement in air quality index (AQI) forecasting by integrating a novel preprocessing method (CEEMDAN) with a sophisticated deep learning architecture. Each component of the AQI time series is processed through a dedicated sub-network that employs convolutional neural networks (CNN), bidirectional gated recurrent units (BiGRU), and an attention mechanism to extract and prioritize multi-scale spatiotemporal features. The hyperparameters of these sub-networks are optimized using the Improved Grey Wolf Optimizer (IGWO), which enhances the model’s performance by automating the search for optimal configurations, thus ensuring robust learning across different temporal scales.
The experimental results demonstrate that the integrated model achieves a mean squared error (MSE) of 10.2456 on the Guangzhou test set, outperforming various baseline models, including state-of-the-art architectures. The ablation study confirms the critical contributions of each component, revealing that the removal of any single element—such as the CEEMDAN decomposition or the IGWO optimization—leads to significant performance degradation. This highlights the synergistic nature of the model’s architecture, where each part plays a vital role in enhancing forecasting accuracy. The CEEMDAN decomposition effectively separates signal from noise, allowing the model to focus on significant patterns, while the CNN and BiGRU components work together to capture both local and long-term dependencies in the data. Overall, this study establishes a robust framework for AQI prediction, with implications for improving forecasting accuracy in other time series applications.
Limitations
The limitations of the proposed model highlight several practical constraints that impact its performance and applicability. A primary concern is the high computational cost associated with the intricate hyperparameter search driven by the Improved Grey Wolf Optimizer (IGWO). Additionally, the model’s predictive accuracy is significantly affected by data quality, particularly when faced with long sequences of missing values. The feasibility of real-time deployment is also limited due to the boundary effects inherent in the Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) method, which necessitates the use of the entire signal for calculating Intrinsic Mode Functions (IMFs). This requirement poses challenges in streaming scenarios where data arrives incrementally, as it may lead to impractical processing times and potential artifacts.
To address these limitations in future work, the authors propose several strategies. They plan to investigate sliding-window CEEMDAN, which would allow for decomposition on a fixed-length recent window, and explore online decomposition algorithms such as Online Empirical Mode Decomposition (EMD). Furthermore, the authors aim to enhance the model’s efficiency through compression techniques and improved search algorithms to decrease training time. They also intend to develop robust methods for handling data gaps, potentially through advanced imputation techniques. Expanding the model to incorporate additional factors, such as local weather and emission sources, is another goal, as is testing the framework across various pollutants and geographic areas to ensure its reliability in diverse environments.