空气质量 PM2.5 浓度高创新预测模型！基于VMD滚动分解+注意力机制的并行预测模型

随着城市工业化进程的加快，空气污染问题，尤其是PM2.5浓度的预测，成为环境科学和公共健康领域的研究重点。针对PM2.5序列的非平稳性和复杂性，本文提出了一种基于变分模态分解（Variational Mode Decomposition, VMD）滚动分解与Transformer和基于全局注意力机制优化的双向门控循环单元网络（BiGRU）的并行融合预测模型。该方法利用VMD对时间序列信号进行多模态分解，有效剥离信号内在的多个频段成分，再将不同成分的信息同步输入多模型架构，充分挖掘序列的复杂动态特征，从而显著提升预测性能。

● 数据集：上海市PM2.5数据集

● 环境框架：python 3.11 pytorch 2.1 及其以上版本均可运行

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

注：数据集说明-中国五城市的PM2.5数据，沈阳、成都、北京、广州和上海的测量数据

数据集获取，后台回复”PM2.5“，可获取我们已经打包好的数据集！

1 模型介绍

1.1 总体架构设计

Transformer+BiGRU-Attention并行神经网络架构：

Transformer模块:Transformer通过自注意力机制（Self-Attention）充分挖掘序列全局依赖信息，具备并行计算优势，适合处理长序列。本文采用多头注意力机制捕获多模式相关特征，提升模型对空气质量复杂波动趋势的学习能力。
BiGRU-Attention模块:双向GRU为改进型RNN，具备学习正向和反向序列信息能力，适合捕捉上下文时序依赖。本文引入全局注意力(GlobalAttention)机制，优化传递的隐藏状态信息，使模型更关注对预测关键的时刻与特征，进一步提升表示质量和预测性能

1.2 整体流程

首先，利用VMD对原始PM2.5序列进行多尺度分解，提取不同频率成分，以提升序列的规律性和可预测性；其次，设计了Transformer和GlobalAttention优化的BiGRU的并行融合架构，有效捕捉序列的长短时依赖性与全局特征。实验结果表明，本文所提模型在预测精度和泛化能力上均优于传统模型，实现了对PM2.5浓度变化的高准确度预测，为空气质量预报提供了理论和方法支持。

1.3 滑动窗口与VMD滚动分解

（1）数据集导入

本实验采用上海市PM2.5数据集，一共35142个样本，17个特征，取目标变量数据进行可视化

（2）VMD滚动分解

多变量时间序列数据，归一化处理后采用滑动窗口技术，将序列切分成固定长度的样本窗口，为VMD分解提供基础。

通过在原始系列上滑动固定大小的窗口来解决只分解窗口中的数据。也就是说，每次都有新的数据添加后，窗口中最旧的数据将被删除。通过这种方式分解后生成的子序列数量保持不变，没有数据信息泄露。此外，选择合适的滑动窗口尺寸至关重要。一个小窗口导致数据不足，重要信息丢失，预测减少精度。相反，大窗口会增加计算量复杂性和运行时间，减少可用的训练数据，减少模型有效性。

2 基于VMD+Transformer-BiGRU-Attention的并行预测模型

2.1 设置参数，训练模型

VMD+Transformer-BiGRU-Attention预测效果显著，VMD滚动分解增强了对复杂时间序列多尺度特征抽取的能力，结合Transformer和BiGRU-Attention的并行架构，实现了全局长短期依赖的补充。模型将VMD分解的多个分量分别输入Transformer和GlobalAttention-BiGRU两个子网络，经过特征提取再融合，兼顾两者优势：Transformer捕获全局多尺度依赖；BiGRU更注重序列局部动态与时序关系。最后通过融合层整合特征输出最终预测结果，增强模型稳定性与泛化能力。