基于自适应图卷积网络的空气质量预测模型Ada-TransGNN

准确的空气质量预测正变得越来越重要。为解决现有模型预测准确率低和实时更新慢的问题，导致预测滞后，本文提出了一种基于Transformer的时空数据预测方法（Ada-TransGNN），集成了全局空间语义和时序行为。该模型构建了一个由多头注意力机制和图卷积网络组成的高效协同时空块集合，用于从复杂的空气质量监测数据中提取动态变化的时空依赖特征。考虑到不同监测点之间的相互作用关系，本文提出了自适应图结构学习模块，通过数据驱动的方式将时空依赖特征组合在一起，以学习最优图结构，从而更准确地捕获监测点之间的空间关系。此外，我们设计了一个辅助任务学习模块，通过将空间上下文信息整合到最优图结构表示中，增强了时序关系的解码能力，有效提高了预测结果的准确性。我们在基准数据集和一个新构建的数据集（Mete-air）上进行了全面评估。结果表明，该模型在短期和长期预测中均优于现有基于状态的预测模型。