臭氧预报不再直接学原始序列：两级分解加两尺度选特征，北京日臭氧MAE降到0.535
核心概要
臭氧浓度预报改用两级分解与两尺度特征选择。原始序列先经ICEEMDAN分解，复杂度最高的IMF1再由VMD二次分解，其余子序列按模糊熵重构；随后用偏自相关函数与随机森林两级筛选输入维度，最后交给时间卷积网络预测。北京与上海日臭氧数据上，该组合模型的MAE、RMSE、SMAPE分别为0.53509、0.73346、0.8433%，在四组对比实验中指标最优。
深度剖析
臭氧预报的输入不再直接是原始浓度序列，而是先被拆成规律更明显的子序列再送进预测器。 此前臭氧序列波动大、噪声重，直接预测误差明显；已有做法多用单级分解，且分解后第一个模态分量IMF1的复杂度仍然偏高。 北京与上海两地的日臭氧数据上，加入ICEEMDAN分解后各对比模型的MAE、RMSE、SMAPE平均下降15.5186、21.1828和15.09%。
分解之后还要再挑一次输入，只保留对预测真正有用的滞后项。 分解会把序列数量放大，输入维度随之膨胀，容易过拟合，也拖长训练时间。 在北京场景，加入PACF与随机森林两级筛选后，MAE、RMSE、SMAPE比未筛选时再降1.5283、2.0335和2.4284%；上海场景对应下降2.222、2.990和2.3189%。
整套流程把分解、重构、筛选和预测串成一条链，最终由时间卷积网络输出结果。 单级分解加单一预测模型难以同时压住噪声和维度。 北京与上海各2495条日臭氧观测上，该组合模型在北京的MAE、RMSE、SMAPE为0.53509618、0.733460954、0.843300731%，在四组对比实验中优于ELM、LSSVM、LSTM等对照。
启示与展望
该模型面向日尺度臭氧浓度预报，验证范围是北京天坛站与上海浦东张江站2015年1月1日至2021年11月21日的日臭氧数据，共2495条观测，按80%训练、20%测试划分。适用读者是从事空气质量预报与时间序列建模的研究人员和工程师。原文提出后续可把温度、风速等气象因素纳入模型，并探索该模型在其他领域的应用。
原文说明该研究未考虑温度、风速等其他气象因素，并指出模型在实证分析中表现良好但仍有改进空间。所有指标来自北京与上海两地的回溯性实验，未报告其他城市或实时预报场景下的表现。原文结论段以0.6038、0.7992、0.70%作为该模型整体最优指标，这三个数值对应上海场景ICEEMDAN-VMD-FE-PACF-RF-TCN一行的MAE、RMSE、SMAPE，与北京场景同一模型的0.53509618、0.733460954、0.843300731%分属两地，原文未在结论段标明其对应城市。