Shift Aware Transfer Learning with Adaptive Dual-Encoder Fusion for PM Forecasting in Data-Limited Environments· 数据有限环境中 PM2.5 预测的迁移学习
Short-horizon forecasting of fine particulate matter (PM2.5) remains difficult when observations from the target domain are limited and the statistical properties of the source and target domains differ. In these settings, models trained only on local data may not capture complex temporal dynamics, while direct transfer learning can result in negative transfer. This study develops a shift-aware dual-encoder transfer framework that combines source-domain knowledge with target-specific representation learning. The source encoder was pretrained using hourly observations from 10 U.S. monitoring locations. The framework was then adapted and evaluated using two years of hourly observations from 77 stations in Taiwan under a chronological train-validation-test protocol. Among the four principal b
提出迁移学习框架，解决数据有限环境下PM2.5预测难题。
- 核心方法
- 开发了一种迁移学习框架，包含两个编码器：一个使用美国站点数据预训练的源编码器和一个用于学习目标域特定表示的目标编码器。通过融合两个编码器的输出，提高模型对目标域数据的适应能力。
- 适合谁读
- 研究者、工程师
- 要解决的问题
- 当目标域观测数据有限且源域与目标域的统计特性不同，PM2.5短期预测面临模型训练不足与负迁移问题。
- 关键实验
- 使用台湾77个站点两年的每小时观测数据进行了模型适应和评估，实验结果表明该框架优于其他基线模型。
- 主要贡献
- 提出了一种shift-aware双编码器迁移学习框架，有效解决了在数据有限和统计特性不同的条件下PM2.5预测的挑战。
- 意义与局限
- 本研究的方法可以在数据有限的环境下提升污染物预测的准确性和鲁棒性，对于环境监测和公共健康具有重要意义。然而，该方法依赖于高质量的源域数据，并且可能在不同地区的效果有所差异。