许多空气质量预测研究报告了机器学习的优势，但评估通常使用静态时间分割，并且省略了持久性基准，因此在常规更新下的操作附加值尚不明确。利用2017年至2024年间来自南欧城市背景监测站的2350个每日PM10观测数据，比较了在静态分割和每月更新的滚动起源协议下，XGBoost和SARIMA与持久性模型的表现。报告了特定时间范围的技能和可预测时间范围，后者定义为具有正持久性相对技能的最大时间范围。静态评...