基于QHAdamW增强的人工神经网络在空气质量预报中的应用

arXiv cs.AI 论文
neural-networks optimizer air-quality forecasting qhadamw adam machine-learning

摘要

本文介绍了针对人工神经网络的改进优化器QHAdamW，并将其应用于菲律宾的空气质量预报，结果表明该优化器在预测PM2.5和PM10浓度时展现出更优的收敛性与性能。

arXiv:2608.21463v1 公告类型：新 摘要：本研究采用人工神经网络与经过优化的自适应矩估计算法相结合，这是目前菲律宾唯一可用的空气质量指数预报模型。改进的QHAdamW——准双曲动量优化器与解耦权重衰减的Adam优化器均为Adam优化器的扩展，两者在训练人工神经网络时各具优势。所提出的QHAdamW优化器解决了Adam在收敛性、泛化能力及预报性能方面的问题。超参数调优结果表明，0.01和0.001是提升QHAdamW泛化性能的最有效最优值。采用七种评估指标进行的对比分析结果显示，该模型的误差值范围更低，且回归系数近似等于1，从而提升了模型的预测精度。同样，模型收敛至令人满意的性能水平，其训练与验证损失值均较低。基于马尼拉实时空气质量监测站的数据，采用前馈神经网络分别预测PM2.5和PM10的空气质量指数。该模型可用于预报颗粒物浓度，以协助环境与自然资源部-环境监测局实施综合空气质量管控。
查看原文
查看缓存全文

缓存时间: 2026/08/25 04:17 

# 使用QHAdamW增强人工神经网络在空气质量预报中的应用
来源：https://arxiv.org/abs/2608.21463  
查看PDF（https://arxiv.org/pdf/2608.21463）

> 摘要：本研究采用结合优化自适应矩估计（Adam）算法的人工神经网络，这是目前菲律宾唯一可用的空气质量指数预报模型。改进的QHAdamW——拟双曲动量（QHAdam）与解耦权重衰减的Adam（AdamW）——均为Adam优化器的扩展，二者为人ANN训练提供了独特优势。提出的QHAdamW优化器解决了Adam在收敛性、泛化能力和预报性能方面的问题。超参数调优结果显示，0.01和0.001是提升QHAdamW泛化性能的最有效最优值。使用七种评估指标的对比分析表明，其误差值范围更低，回归系数值近似等于1，从而提高了模型精度性能。同样，从训练与验证损失中获得的低损失值收敛性能结果显示，模型已收敛至令人满意的性能水平。基于马尼拉实时空气质量监测站数据，本研究采用前馈神经网络分别预测PM2.5和PM10的空气质量指数。该模型可用于颗粒物预报，助力环境与自然资源部-环境监测局实施全面的空气质量管理。

## 提交历史
来自：Mary Joy Viñas \[查看邮件（https://arxiv.org/show-email/cc79db40/2608.21463）\] **\[v1\]**2026年8月20日（周四）23:59:41 UTC（1,100 KB）

相似文章