用于空气质量指数预测的集成学习：整合梯度提升、XGBoost 与基于 SHAP 的堆叠可解释性

为何更清洁的空气需要更智能的预测

空气污染在无声中影响我们的日常生活，从通勤时呼吸的空气到儿童和老人的健康。然而，大多数人只能在手机应用上看到一个单一的空气质量数值，却不了解该数值如何预测以及其可靠性如何。本文探索了一种更智能的空气质量指数（AQI）预测方法，使用一组协同工作的计算模型。通过提升预测的准确性和透明性，这项工作有望带来更及时的健康预警、更好的城市规划，以及更明智的日常生活决策。

污浊空气如何影响个人与城市

研究首先概述了现代生活如何助长空气污染。快速的城市化、繁重的交通、蓬勃的施工以及化石燃料的燃烧将多种有害物质释放到大气中。细颗粒物（PM2.5 与 PM10）、臭氧、氮氧化物、二氧化硫和一氧化碳等气体共同损害肺部、增加心脏负担，并与每年数百万的过早死亡相关联。除健康影响外，污染的空气还损害作物、侵蚀建筑、降低劳动生产率并加剧气候变化。由于这些影响范围广泛且代价高昂，城市迫切需要可靠的预测，以便提前警示公众、引导交通与工业管控并支持长期环境政策。

将复杂的空气数据压缩为单一健康指标

AQI 将多项测量汇总为从清洁到危险的单一刻度。为预测该数值，研究人员使用了来自台湾的大规模开放数据集：2016 年至 2024 年间 74 个监测站记录的超过 460 万条小时数据。每条记录列出关键污染物的浓度、反映近期暴露的短期平均值以及风速和风向等气象条件。研究团队首先对数据进行清洗，仔细处理缺失值和异常值，并对数值进行标准化，以避免某一项测量主导结果。随后他们将数据划分为训练、调参和测试集，并通过在后期年份上检验模型表现来模拟实时预测情景，检验模型在未见数据上的泛化能力。

构建模型团队，而非只信任单一模型

作者没有依赖单一预测公式，而是构建了一个“集成”模型——一种加权投票系统，结合了多种强大的基于树的方法。这些方法包括梯度提升（Gradient Boosting）、XGBoost、LightGBM 和 CatBoost，各自通过构建大量小决策树并纠正早期错误来学习模式。集成对表现最好的方法给予更高权重（例如对梯度提升权重更大，对 CatBoost 稍小），就像在一个专家小组中更重视最准确的天气预报员一样。通过严格的参数搜索和交叉验证，作者精心调优每个基模型，使得整体能够捕捉污染物、气象与 AQI 之间的细微非线性关系，同时避免对历史数据的过拟合。

超越深度学习并看入“黑箱”内部

作者将该集成模型与多种替代方法进行了比较，从简单的线性回归和基础决策树，到现代深度学习系统如 LSTM、CNN-LSTM 和 Transformer 网络。在关键的预测误差指标上，集成模型始终表现最佳。它在未见数据上实现了极低的误差，并解释了超过 99% 的 AQI 变异，在未来时段测试中几乎不失准确性，这表明其在变化条件下具有稳健性。为了解开“黑箱”，团队使用了部分依赖图和 SHAP 值等可解释性工具。这些工具揭示了哪些输入最重要以及它们如何影响预测。结果显示细颗粒物（尤其是 PM2.5 及其短期平均值）、8 小时臭氧和 PM10 平均值是影响 AQI 的主要驱动因子。它们还揭示了阈值行为，例如当二氧化硫超过某一水平时预测风险出现急剧上升，证明系统学到了与健康相关的、有意义的模式。

这对日常生活与未来城市意味着什么

对非专业读者而言，关键信息是空气质量预测既可以高度准确，又可以可理解。通过组合几种互补的模型并揭示它们的决策机制，这项工作提供了可接入实时监测系统的预测引擎。这样的工具可以触发更早的健康警报、指导学校和户外活动的安排，或在污染可能急剧上升的日子支持有针对性的交通限制。由于该方法使用标准的污染物与气象测量，它可以适配到其他地区，随着条件变化进行再训练，并与新的空间方法结合以覆盖整个城市区域。简言之，更智能且更透明的 AQI 预测可以成为建设更健康、更具韧性的城市的实用基石。

引用: Singh, S., Kumar, M., Sengar, V. et al. Ensemble learning for air quality index prediction: integrating gradient boosting, XGBoost, and stacking with SHAP-based interpretability. Sci Rep 16, 8544 (2026). https://doi.org/10.1038/s41598-026-39232-w

关键词: 空气质量指数, 集成学习, 梯度提升, 污染预测, 模型可解释性