融合LSTM与大语言模型：智能空气质量预测与健康建议系统

air-quality-llm项目是一套端到端环境AI系统，结合LSTM时序预测与LLM可解释推荐能力，实现PM2.5精准预测并生成经幻觉审计验证的健康建议，解决传统空气质量监测在趋势预测和个性化建议方面的局限。

空气污染是全球性公共健康挑战，PM2.5因粒径微小对人体健康威胁严重。传统监测仅提供实时数据，缺乏未来趋势预测和个性化建议能力。深度学习在时序预测、LLM在自然语言理解生成的突破，推动了两者融合构建智能系统的探索，air-quality-llm项目正是对此的回应。

系统核心由两大模块组成：

1. 时序预测层：采用LSTM捕捉空气质量时空规律，引入ISSA-LSTM优化超参数，以AR(24)和持续性预测为基线；输入特征含PM2.5、气象指标，预处理包括缺失值插补、归一化，用60小时历史数据作为输入窗口。
2. 智能推荐层：基于Qwen2.5-7B-Instruct生成自然语言健康建议，输入含预测PM2.5、AQI指数及等级、关键特征，输出污染成因、污染源分析、针对性建议及置信度说明。

为解决LLM幻觉问题，项目设计幻觉审计框架：

• 一致性验证：交叉验证PM2.5与AQI的EPA标准转换一致性、AQI等级与数值范围匹配；
• 特征锚定检查：确保建议基于输入特征；
• 物理范围验证：排除异常数值；
• 置信度阈值：低置信度建议标注参考或保守策略。 实验结果显示0%硬性幻觉率、100%AQI及类别一致性。

在UCI空气质量数据集上的RMSE对比：

模型	RMSE
AR(24)基线	21.67
持续性预测	22.02
基础LSTM	24.53
ISSA-LSTM	28.78
作者诚实报告ISSA-LSTM在本数据集表现略逊于基线，归因于数据集特性，体现严谨科研精神。

系统覆盖多用户场景：

• 户外运动爱好者：规划运动前查询预测，获取是否适合户外的建议；
• 敏感人群：儿童、老人、呼吸疾病患者获得针对性防护建议；
• 学校与机构：调整户外活动安排；
• 城市规划者：长期趋势分析支持政策制定。

项目未来改进方向包括：引入Transformer时序预测模型、探索RAG提升LLM建议准确性、开发不确定性感知AQI预测、构建实时部署流水线、支持多城市预测能力。

air-quality-llm项目展示了LSTM与LLM融合构建可信赖环境决策系统的可能性，其幻觉审计框架为LLM在关键领域应用提供参考范式。随着技术演进，这类融合系统有望在更多领域发挥作用，让AI兼具计算、解释与可信能力。