面向空气质量预测的多粒度突变拟合网络

doi:10.11772/j.issn.1001-9081.2023081169

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (8): 2643-2650.DOI: 10.11772/j.issn.1001-9081.2023081169

• 前沿与综合应用 • 上一篇

面向空气质量预测的多粒度突变拟合网络

石乾宏¹, 杨燕¹(), 江永全¹, 欧阳小草¹, 范武波², 陈强², 姜涛², 李媛²

^1.西南交通大学计算机与人工智能学院，成都 611756
^2.四川省生态环境科学研究院大气环境研究所，成都 610046

收稿日期:2023-08-31 修回日期:2023-09-11 接受日期:2023-10-09 发布日期:2024-08-22 出版日期:2024-08-10
通讯作者: 杨燕
作者简介:石乾宏（1999—），男，河南荥阳人，硕士研究生，主要研究方向：数据挖掘、序列数据分析
杨燕（1964—），女，安徽合肥人，教授，博士，CCF会员，主要研究方向：人工智能、大数据分析与挖掘 yyang@swjtu.edu.cn
江永全（1981—），男，四川泸州人，助理研究员，博士，主要研究方向：科学智能、计算机视觉
欧阳小草（1995—），女，四川广元人，博士研究生，主要研究方向：深度学习、时空数据挖掘
范武波（1988—），男，四川广元人，工程师，博士，主要研究方向：大气污染防治
陈强（1981—），男，四川泸州人，高级工程师，博士，主要研究方向：大气污染防治
姜涛（1981—），男，四川宜宾人，高级工程师，硕士，主要研究方向：大气污染防治
李媛（1988—），女，四川南部人，高级工程师，硕士，主要研究方向：大气污染防治。
基金资助:
国家自然科学基金资助项目(61976247)

Multi-granularity abrupt change fitting network for air quality prediction

Qianhong SHI¹, Yan YANG¹(), Yongquan JIANG¹, Xiaocao OUYANG¹, Wubo FAN², Qiang CHEN², Tao JIANG², Yuan LI²

^1.School of Computing and Artificial Intelligence，Southwest Jiaotong University，Chengdu Sichuan 611756，China
^2.Air Environmental Research Institute，Sichuan Academy of Eco?Environmental Sciences，Chengdu Sichuan 610046，China

Received:2023-08-31 Revised:2023-09-11 Accepted:2023-10-09 Online:2024-08-22 Published:2024-08-10
Contact: Yan YANG
About author:SHI Qianhong， born in 1999， M. S. candidate. His research interests include data mining， sequential data analysis.
JIANG Yongquan， born in 1981， Ph. D.， assistant research fellow. His research interests include scientific intelligence， computer vision.
OUYANG Xiaocao， born in 1995， Ph. D. candidate. Her research interests include deep learning， spatio-temporal data mining.
FAN Wubo， born in 1988， Ph. D.， engineer. His research interests include air pollution prevention and control.
CHEN Qiang， born in 1981， Ph. D.， senior engineer. His research interests include air pollution prevention and control.
JIANG Tao， born in 1981， M. S.， senior engineer. His research interests include air pollution prevention and control.
LI Yuan， born in 1988， M. S.， senior engineer. Her research interests include air pollution prevention and control.
Supported by:
National Natural Science Foundation of China(61976247)

摘要/Abstract

摘要：

空气质量数据作为一种典型的时空数据，具有复杂的多尺度内在特性并存在突变的问题。针对现有空气质量预测方法在处理包含大量突变数据的空气质量预测任务时表现不佳的问题，提出一种面向空气质量预测的多粒度突变拟合网络（MACFN）。首先，针对空气质量数据在时间上的周期性，对输入数据进行了多粒度的特征提取。然后，采用图卷积网络与时间卷积网络分别提取空气质量数据的空间关联性与时间依赖性。最后，设计一个突变拟合网络自适应地学习数据中的突变部分，从而减小预测误差。所提网络在3个真实的空气质量数据集上进行了实验评估，与多尺度时空网络（MSSTN）相比，均方根误差（RMSE）分别下降约11.6%、6.3%和2.2%。实验结果表明，MACFN能有效捕捉复杂的时空关系，并在变化幅度较大、易发生突变的空气质量预测任务中有更好表现。

关键词: 空气质量预测, 深度学习, 时空特征, 多粒度, 突变

Abstract:

Air quality data， as a typical spatio-temporal data， exhibits complex multi-scale intrinsic characteristics and has abrupt change problem. Concerning the problem that existing air quality prediction methods perform poorly when dealing with air quality prediction tasks containing large amount of abrupt change， a Multi-Granularity abrupt Change Fitting Network （MACFN） for air quality prediction was proposed. Firstly， multi-granularity feature extraction was first performed on the input data according to the periodicity of air quality data in time. Then， a graph convolution network and a temporal convolution network were used to extract the spatial correlation and temporal dependence of the air quality data， respectively. Finally， to reduce the prediction error， an abrupt change fitting network was designed to adaptively learn the abrupt change part of the data. The proposed network was experimentally evaluated on three real air quality datasets， and the Root Mean Square Error （RMSE） decreased by about 11.6%， 6.3%， and 2.2% respectively， when compared to the Multi-Scale Spatial Temporal Network （MSSTN）. The experimental results show that MACFN can efficiently capture complex spatio-temporal relationships and performs better in the task of predicting air quality that is prone to abrupt change with a large magnitude of variability.

Key words: air quality prediction, deep learning, spatio-temporal feature, multi-granularity, abrupt change

中图分类号:

TP391.1

石乾宏, 杨燕, 江永全, 欧阳小草, 范武波, 陈强, 姜涛, 李媛. 面向空气质量预测的多粒度突变拟合网络[J]. 计算机应用, 2024, 44(8): 2643-2650.

Qianhong SHI, Yan YANG, Yongquan JIANG, Xiaocao OUYANG, Wubo FAN, Qiang CHEN, Tao JIANG, Yuan LI. Multi-granularity abrupt change fitting network for air quality prediction[J]. Journal of Computer Applications, 2024, 44(8): 2643-2650.

图/表 9

参考文献 33

1	FULLER R， LANDRIGAN P J， BALAKRISHNAN K， et al. Pollution and health： a progress update［J］. The Lancet Planetary Health， 2022， 6（6）： e535-e547.
2	王志娟，韩力慧，陈旭锋，等.北京典型污染过程PM_2.5的特性和来源［J］.安全与环境学报， 2012，12（5）：122-126.
	WANG Z J， HAN L H， CHEN X F， et al. Characteristics and sources of PM_2.5 in typical atmospheric pollution episodes in Beijing［J］. Journal of Safety and Environment， 2012，12（5）： 122-126.
3	陈军，高岩，张烨培，等. PM_2.5扩散模型及预测研究［J］. 数学的实践与认识， 2014， 44（15）： 16-27.
	CHEN J， GAO Y， ZHANG Y P， al at. Study on the diffusion model and forecast of PM_2.5 pollution［J］. Mathematics in Practice and Theory， 2014， 44（15）： 16-27.
4	ZHANG L， LIN J， QIU R， et al. Trend analysis and forecast of PM_2.5 in Fuzhou， China using the ARIMA model［J］. Ecological Indicators， 2018， 95： 702-710.
5	LIU T， LAU A K H， SANDBRINK K， et al. Time series forecasting of air quality based on regional numerical modeling in Hong Kong［J］. Journal of Geophysical Research： Atmospheres， 2018， 123（8）： 4175-4196.
6	LIU H， YAN G， DUAN Z， et al. Intelligent modeling strategies for forecasting air quality time series： a review［J］. Applied Soft Computing， 2021， 102： 106957.
7	YANG L， QIN C， LI K， et al. Quantifying the spatiotemporal heterogeneity of PM_2.5 pollution and its determinants in 273 cities in China［J］. International Journal of Environmental Research and Public Health， 2023， 20（2）： 1183.
8	王振波，方创琳，许光，等. 2014年中国城市PM_2.5浓度的时空变化规律［J］.地理学报， 2015， 70（11）：1720-1734.
	WANG Z B， FANG C L， XU G， et al. Spatial-temporal characteristics of the PM_2.5 in China in 2014［J］. Acta Geographica Sinica， 2015， 70（11）： 1720-1734.
9	HUANG P， ZHANG J， TANG Y， et al. Spatial and temporal distribution of PM_2.5 pollution in Xi’an city， China［J］. International Journal of Environmental Research and Public Health， 2015， 12（6）： 6608-6625.
10	LOGANATHAN N， RAHIM Y I. Forecasting international tourism demand in Malaysia using Box Jenkins SARIMA application［J］. South Asian Journal of Tourism and Heritage， 2010， 3（2）： 50-60.
11	KUMAR A， GOYAL P. Forecasting of daily air quality index in Delhi［J］. Science of the Total Environment， 2011， 409（24）： 5517-5523.
12	MAHALINGAM U， ELANGOVAN K， DOBHAL H， et al. A machine learning model for air quality prediction for smart cities［C］// Proceedings of the 2019 International Conference on Wireless Communications Signal Processing and Networking. Piscataway： IEEE， 2019： 452-457.
13	LI X， LUO A， LI J， et al. Air pollutant concentration forecast based on support vector regression and quantum-behaved particle swarm optimization［J］. Environmental Modeling & Assessment， 2019， 24（6）： 205-222.
14	KETU S. Spatial air quality index and air pollutant concentration prediction using linear regression based Recursive Feature Elimination with Random Forest Regression （RFERF）： a case study in India［J］. Natural Hazards， 2022， 114（4）：2109-2138.
15	ZHAO X， ZHANG R， WU J-L， et al. A deep recurrent neural network for air quality classification［J］. Journal of Information Hiding and Multimedia Signal Processing， 2018， 9（2）：346-354.
16	Y-T TSAI， ZENG Y-R， CHANG Y-S. Air pollution forecasting using RNN with LSTM［C］// Proceedings of the 2018 IEEE 16th International Conference on Dependable， Autonomic and Secure Computing， 16th International Conference on Pervasive Intelligence and Computing， 4th International Conference on Big Data Intelligence and Computer and Cyber Science and Technology Congress. Piscataway： IEEE， 2018： 1074-1079.
17	LIU Y， WU H， WANG J， et al. Non-stationary transformers： exploring the stationarity in time series forecasting［J］. Advances in Neural Information Processing Systems， 2022， 35： 9881-9893.
18	KIM T-Y， CHO S-B. Predicting residential energy consumption using CNN-LSTM neural networks［J］. Energy， 2019， 182： 72-81.
19	CHENG W， SHEN Y， ZHU Y， et al. A neural attention model for urban air quality inference： learning the weights of monitoring stations［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2018， 32（1）： 2151-2158.
20	DU S， LI T， YANG Y， et al. Deep air quality forecasting using hybrid deep learning framework［J］. IEEE Transactions on Knowledge and Data Engineering， 2019， 33（6）： 2412-2424.
21	GILMER J， SCHOENHOLZ S S， RILEY P F， et al. Neural message passing for Quantum chemistry［C］// Proceedings of the 34th International Conference on Machine Learning. New York： JMLR.org， 2017： 1263-1272.
22	VELICČKOVIĆ P， CUCURULL G， CASANOVA A， et al. Graph attention networks［EB/OL］. （2017-10-30）［2023-06-29］. .
23	WU L， LIN H， TAN C， et al. Self-supervised learning on graphs： contrastive， generative， or predictive［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（4）： 4216-4235.
24	LI Y， YU R， SHAHABI C， et al. Diffusion convolutional recurrent neural network： data-driven traffic forecasting［EB/OL］. （2017-07-06）［2023-06-29］. .
25	WU Z， WANG Y， ZHANG L. MSSTN： multi-scale spatial temporal network for air pollution prediction［C］// Proceedings of the 2019 IEEE International Conference on Big Data. Piscataway： IEEE， 2019： 1547-1556.
26	WU Z， PAN S， LONG G， et al. Graph WaveNet for deep spatial-temporal graph modeling［C］// Proceedings of the 28th International Joint Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2019： 1907-1913.
27	WANG S， LI Y， ZHANG J， et al. PM_2.5-GNN： a domain knowledge enhanced graph neural network for PM_2.5 forecasting［C］// Proceedings of the 28th International Conference on Advances in Geographic Information Systems. New York： ACM， 2020： 163-166.
28	ZHOU W， WANG H， ZHANG Y， et al. Multi-scale progressive gated Transformer for physiological signal classification［C］// Proceedings of the 14th Asian Conference on Machine Learning. New York： JMLR.org， 2023： 1293-1308.
29	GAO L， WANG T， REN X， et al. Impact of atmospheric quasi-biweekly oscillation on the persistent heavy PM_2.5 pollution over Beijing-Tianjin-Hebei region， China during winter［J］. Atmospheric Research， 2020， 242： 105017.
30	ZHOU H， ZHANG S， PENG J， et al. Informer：beyond efficient transformer for long sequence time-series forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（12）： 11106-11115.
31	HE K， ZHANG X， REN S， et al. Identity mappings in deep residual networks［C］// Proceedings of the 2016 European Conference on Computer Vision. Cham： Springer， 2016： 630-645.
32	GIRSHICK R. Fast R-CNN［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 1440-1448.
33	ZHENG Y， YI X， LI M， et al. Forecasting fine-grained air quality based on big data［C］// Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2015： 2267-2276.

数据集	监测站点数	PM_2.5浓度平均值	PM_2.5浓度标准差
北京	35	84.20	82.53
天津	24	80.21	66.32
深圳	11	33.02	22.18

数据集	监测站点数	PM_2.5浓度平均值	PM_2.5浓度标准差
北京	35	84.20	82.53
天津	24	80.21	66.32
深圳	11	33.02	22.18

模型	3 h			6 h			12 h			24 h
模型	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²
LSTM	35.21	57.39	0.39	39.12	61.71	0.31	45.16	67.68	0.17	52.19	75.69	0.01
NSTransformers	23.58	41.53	0.69	32.80	54.36	0.47	44.87	65.90	0.23	50.46	71.96	0.09
DCRNN	26.67	47.92	0.57	34.88	56.74	0.42	44.76	66.37	0.21	52.02	75.35	0.01
MSSTN	23.01	41.33	0.69	33.80	53.83	0.47	43.66	64.93	0.25	50.40	72.78	0.05
PM_2.5-GNN	24.73	43.26	0.67	34.39	55.09	0.44	43.44	65.73	0.23	51.78	74.92	0.02
Deep-AIR	22.52	40.80	0.71	32.89	53.61	0.47	43.83	65.42	0.25	50.30	72.52	0.06
MACFN	21.01	35.81	0.78	30.38	46.44	0.58	39.91	57.35	0.39	46.86	67.44	0.13

模型	3 h			6 h			12 h			24 h
模型	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²
LSTM	35.21	57.39	0.39	39.12	61.71	0.31	45.16	67.68	0.17	52.19	75.69	0.01
NSTransformers	23.58	41.53	0.69	32.80	54.36	0.47	44.87	65.90	0.23	50.46	71.96	0.09
DCRNN	26.67	47.92	0.57	34.88	56.74	0.42	44.76	66.37	0.21	52.02	75.35	0.01
MSSTN	23.01	41.33	0.69	33.80	53.83	0.47	43.66	64.93	0.25	50.40	72.78	0.05
PM_2.5-GNN	24.73	43.26	0.67	34.39	55.09	0.44	43.44	65.73	0.23	51.78	74.92	0.02
Deep-AIR	22.52	40.80	0.71	32.89	53.61	0.47	43.83	65.42	0.25	50.30	72.52	0.06
MACFN	21.01	35.81	0.78	30.38	46.44	0.58	39.91	57.35	0.39	46.86	67.44	0.13

模型	3 h			6 h			12 h			24 h
模型	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²
LSTM	27.56	38.89	0.19	29.93	41.50	0.14	33.77	43.72	0.06	34.86	44.72	0.01
NSTransformers	17.39	27.03	0.62	23.30	34.15	0.40	29.55	40.88	0.15	33.51	44.85	0.01
DCRNN	17.96	27.51	0.60	24.01	35.23	0.34	31.02	42.80	0.08	34.55	44.75	0.01
MSSTN	16.76	26.28	0.63	23.07	33.90	0.41	30.15	40.57	0.16	33.97	43.96	0.01
PM_2.5-GNN	17.63	27.39	0.61	23.45	34.36	0.39	30.37	41.38	0.12	34.25	45.83	0.01
Deep-AIR	17.39	26.94	0.61	23.54	34.85	0.38	29.72	41.19	0.13	33.96	44.29	0.01
MACFN	16.63	24.32	0.68	22.31	30.56	0.47	28.17	37.94	0.29	33.49	43.41	0.03

面向空气质量预测的多粒度突变拟合网络

Multi-granularity abrupt change fitting network for air quality prediction

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 33

相关文章 15

编辑推荐

Metrics

[1]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[2]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[3]	杨鑫, 陈雪妮, 吴春江, 周世杰. 结合变种残差模型和Transformer的城市公路短时交通流预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2947-2951.
[4]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[5]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[6]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[7]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[8]	顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2618-2625.
[9]	赵亦群, 张志禹, 董雪. 基于密集残差物理信息神经网络的各向异性旅行时计算方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2310-2318.
[10]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[11]	刘瑞华, 郝子赫, 邹洋杨. 基于多层级精细特征融合的步态识别算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2250-2257.
[12]	孙逊, 冯睿锋, 陈彦如. 基于深度与实例分割融合的单目3D目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2208-2215.
[13]	吴筝, 程志友, 汪真天, 汪传建, 王胜, 许辉. 基于深度学习的患者麻醉复苏过程中的头部运动幅度分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2258-2263.
[14]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[15]	张郅, 李欣, 叶乃夫, 胡凯茜. 基于暗知识保护的模型窃取防御技术DKP[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2080-2086.

模型	3 h			6 h			12 h			24 h
模型	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²
LSTM	8.98	12.35	0.21	9.89	13.40	0.11	10.72	14.26	0.02	12.29	15.82	0.02
NSTransformers	5.72	8.74	0.64	7.84	11.23	0.38	9.59	13.25	0.14	10.24	13.74	0.06
DCRNN	6.01	9.16	0.59	8.48	12.14	0.28	10.22	14.01	0.05	11.29	14.90	0.01
MSSTN	5.90	8.75	0.64	8.13	11.45	0.35	9.88	13.54	0.10	10.71	14.15	0.01
PM_2.5-GNN	5.89	8.96	0.61	8.28	11.94	0.30	9.85	13.53	0.11	11.00	14.65	0.01
Deep-AIR	5.85	8.77	0.63	8.23	11.67	0.33	9.98	13.59	0.10	10.90	14.50	0.01
MACFN	5.83	8.73	0.63	7.94	11.19	0.39	9.42	13.13	0.16	10.19	13.71	0.06

模型	3 h			6 h			12 h			24 h
模型	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²
LSTM	8.98	12.35	0.21	9.89	13.40	0.11	10.72	14.26	0.02	12.29	15.82	0.02
NSTransformers	5.72	8.74	0.64	7.84	11.23	0.38	9.59	13.25	0.14	10.24	13.74	0.06
DCRNN	6.01	9.16	0.59	8.48	12.14	0.28	10.22	14.01	0.05	11.29	14.90	0.01
MSSTN	5.90	8.75	0.64	8.13	11.45	0.35	9.88	13.54	0.10	10.71	14.15	0.01
PM_2.5-GNN	5.89	8.96	0.61	8.28	11.94	0.30	9.85	13.53	0.11	11.00	14.65	0.01
Deep-AIR	5.85	8.77	0.63	8.23	11.67	0.33	9.98	13.59	0.10	10.90	14.50	0.01
MACFN	5.83	8.73	0.63	7.94	11.19	0.39	9.42	13.13	0.16	10.19	13.71	0.06

模型	3 h			6 h			12 h			24 h
模型	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²
MACFN-ng	22.66	37.04	0.72	31.60	48.06	0.53	40.72	58.69	0.31	47.74	68.07	0.08
MACFN-nt	23.34	38.55	0.71	31.14	49.04	0.53	40.32	59.23	0.33	48.68	68.82	0.09
MACFN-ns	22.94	40.80	0.67	33.45	53.06	0.47	43.57	64.80	0.28	49.95	73.76	0.04
MACFN-no	21.74	36.65	0.73	30.89	47.37	0.55	40.94	59.66	0.30	50.19	70.53	0.09
MACFN-nm1	21.94	36.73	0.73	31.07	46.52	0.56	40.62	58.82	0.32	48.77	67.17	0.11
MACFN-nm2	21.73	36.53	0.73	31.03	46.69	0.56	40.45	58.23	0.33	49.54	68.33	0.08
MACFN-nm3	21.86	36.48	0.73	31.62	46.74	0.54	40.68	57.87	0.35	48.61	68.95	0.08
MACFN	21.01	35.81	0.78	30.38	46.44	0.58	39.91	57.35	0.39	46.86	67.44	0.13

模型	3 h			6 h			12 h			24 h
模型	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²	MAE	RMSE	R²
MACFN-ng	22.66	37.04	0.72	31.60	48.06	0.53	40.72	58.69	0.31	47.74	68.07	0.08
MACFN-nt	23.34	38.55	0.71	31.14	49.04	0.53	40.32	59.23	0.33	48.68	68.82	0.09
MACFN-ns	22.94	40.80	0.67	33.45	53.06	0.47	43.57	64.80	0.28	49.95	73.76	0.04
MACFN-no	21.74	36.65	0.73	30.89	47.37	0.55	40.94	59.66	0.30	50.19	70.53	0.09
MACFN-nm1	21.94	36.73	0.73	31.07	46.52	0.56	40.62	58.82	0.32	48.77	67.17	0.11
MACFN-nm2	21.73	36.53	0.73	31.03	46.69	0.56	40.45	58.23	0.33	49.54	68.33	0.08
MACFN-nm3	21.86	36.48	0.73	31.62	46.74	0.54	40.68	57.87	0.35	48.61	68.95	0.08
MACFN	21.01	35.81	0.78	30.38	46.44	0.58	39.91	57.35	0.39	46.86	67.44	0.13