Frequency-Aware Attention-LSTM for PM$_{2.5}$ Time Series Forecasting

要約

PM $ _ {2.5} $濃度予測の精度と堅牢性を高めるために、このホワイトペーパーでは、周波数ドメイン分解、時間モデリング、および注意ベースの改良を統合する周波数認識LSTMネットワークであるFalnetを紹介します。
このモデルは、最初にSTLとFFTを適用して、トレンド、季節性、および除去された残留成分を抽出し、高周波ノイズを効果的に除外します。
ろ過された残差は、長期依存性をキャプチャするために積み重ねられたLSTMに供給され、その後にキータイムステップに動的に焦点を当てるマルチヘッド注意メカニズムが続きます。
実世界の都市大気質データセットで実施された実験は、FalnetがMAE、RMSE、$ r^2 $などの標準メトリック全体で従来のモデルを常に上回ることを示しています。
このモデルは、汚染ピークと非定常条件中の鋭い変動をキャプチャする際の強い適応性を示しています。
これらの結果は、リアルタイムの大気汚染予測、環境リスク評価、意思決定サポートのためのFalnetの有効性と一般化可能性を検証します。

要約(オリジナル)

To enhance the accuracy and robustness of PM$_{2.5}$ concentration forecasting, this paper introduces FALNet, a Frequency-Aware LSTM Network that integrates frequency-domain decomposition, temporal modeling, and attention-based refinement. The model first applies STL and FFT to extract trend, seasonal, and denoised residual components, effectively filtering out high-frequency noise. The filtered residuals are then fed into a stacked LSTM to capture long-term dependencies, followed by a multi-head attention mechanism that dynamically focuses on key time steps. Experiments conducted on real-world urban air quality datasets demonstrate that FALNet consistently outperforms conventional models across standard metrics such as MAE, RMSE, and $R^2$. The model shows strong adaptability in capturing sharp fluctuations during pollution peaks and non-stationary conditions. These results validate the effectiveness and generalizability of FALNet for real-time air pollution prediction, environmental risk assessment, and decision-making support.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google