这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

BWO-Caformer：一种改进的Informer模型用于北京和武汉AQI预测的学术报告

一、作者及发表信息
本研究由武汉科技大学理学院的Xu Dong、Deyi Li、Wenbo Wang*和Yang Shen合作完成，发表于期刊*Process Safety and Environmental Protection*（2025年1月）。论文标题为《BWO-Caformer: An Improved Informer Model for AQI Prediction in Beijing and Wuhan》，DOI编号为10.1016/j.psep.2025.106800。

二、学术背景
科学领域与问题
研究聚焦于空气质量指数（AQI）预测，属于环境科学与人工智能的交叉领域。AQI是衡量空气污染程度的关键指标，其准确预测对公共健康保护至关重要。然而，AQI波动具有高度复杂性，传统模型（如统计模型或分解算法）存在信息泄漏和短时预测局限，难以满足实际需求。

研究动机
近年来，基于分解技术与深度学习结合的混合模型成为主流，但这类方法需反复分解新数据，导致时间成本高且实用性受限。此外，传统Informer模型仅关注时间序列本身，忽略了污染物与气象因素的空间关联性。因此，本研究提出BWO-Caformer，通过改进Informer模型的结构与优化方法，提升长短期AQI预测的精度与稳定性。

三、研究流程与方法
1. 数据预处理
- 数据来源：使用北京（2020–2023年）和武汉的每小时空气质量数据，涵盖6种污染物（PM2.5、PM10等）和5类气象因子（风速、湿度等）。
- 特征选择：
- 气象因子筛选：通过皮尔逊相关系数（PCC）分析，选择与AQI相关性最高的风速（r=-0.24）和湿度（r=0.18）。
- 空间关联分析：采用最大信息系数（MIC）量化周边城市（如保定、承德）污染物对北京AQI的影响，构建空间权重矩阵。
- 异常值处理：使用DBSCAN算法（参数：eps=0.5, minpts=10）识别并剔除传感器异常数据（图8–9）。

1. 模型构建与优化

   • 核心改进：
     
     • CBAM模块：首次在Informer的自注意力蒸馏层中引入卷积块注意力模块（CBAM），通过通道注意力（关注污染物相关性）和空间注意力（捕捉气象与空间关系）加权特征（图13–15）。
       
     • BWO优化：采用白鲸优化算法（Beluga Whale Optimization, BWO）调整超参数（输入序列长度、编码器层数等），平衡探索与开发阶段（表5）。
       
   • 模型架构：
     
     • 编码器：嵌入时间戳信息（月、周、日、小时），结合Probsparse自注意力机制降低计算复杂度（图11）。
       
     • 解码器：生成式推理避免逐步解码的时间消耗（图10）。
       

2. 实验设计

   • 评估指标：MAE、RMSE、R²和MAPE，并通过Diebold-Mariano检验验证显著性。
     
   • 基线模型：对比CNN、TCN、GRU、Autoformer等7类模型，预测步长涵盖1–60小时。
     

四、主要结果
1. 预测性能
- 北京数据集：BWO-Caformer在12小时预测中，MAE（6.909）较Informer降低12.5%，RMSE（9.822）降低13.49%（表9）。长时预测（36小时）的R²达0.91，显著优于其他模型（图18）。
- 武汉数据集：模型泛化能力验证显示，10日AQI等级预测准确率90.32%（表15），表明其对不同地理环境的适应性。

1. 消融实验

   • CBAM模块：移除后48小时预测的MAE上升6.07%（表12），证实其对特征加权的重要性。
     
   • DBSCAN：未使用时RMSE增加10.71%，凸显异常值检测的必要性（表13）。
     

2. 创新性贡献

   • 方法论：首次将CBAM与Informer结合，解决了传统模型忽略空间特征的问题。
     
   • 应用价值：为环境管理部门提供高精度长时预警（如36小时预测），支持污染防控决策。
     

五、结论与价值
1. 科学意义：
- 提出了一种融合多维度注意力机制的时序预测框架，推动了AQI预测模型的架构创新。
- 通过BWO算法优化参数，提升了模型的稳定性和效率。

1. 应用前景：
   
   • 可扩展至其他城市或污染物预测，如PM2.5浓度实时监测。
     
   • 为极端天气或突发事件（如沙尘暴）的早期预警提供技术支持。
     

六、研究亮点
1. 跨学科创新：结合环境科学（空间权重分析）与深度学习（CBAM-BWO）。
2. 技术突破：
- 在Informer中引入CBAM，特征提取能力提升23.86%（RMSE）。
- 首次将BWO用于AQI预测参数优化，收敛速度优于传统算法。

七、其他价值
研究开源了预处理代码与模型参数（见表6–7），为后续研究提供可复现基准。此外，提出的动态学习率衰减策略（Huber损失函数）有效解决了高AQI值预测的敏感性问题。

（报告总字数：约1800字）