面向气象引导的模态解耦时空网络进行空气质量预测
机器学习
2025-04-15 v1 人工智能
计算机视觉与模式识别
摘要
空气质量预测在公共卫生和环境保护中发挥着至关重要的作用。准确的空气质量预测是一项复杂的多变量时空问题，涉及跨时序模式、污染物相关性、空间站依赖关系，以及特别是支配污染物扩散和化学转化的气象条件之间的相互作用。现有工作低估了大气条件在空气质量预测中的关键作用，忽略了对气象数据的全面利用，从而削弱了建模空气质量与气象数据之间动态相互依存关系的能力。为克服这一问题，我们提出了 MDSTNet，这是一个编码器-解码器框架，显式地将空气质量观测数据和大气条件建模为独立的模态，整合多层位气象数据和天气预报，以捕获大气-污染依赖关系进行预测。同时，我们构建了 ChinaAirNet，这是首个将空气质量记录与多层位气象观测数据结合的全国规模数据集。在 ChinaAirNet 上的实验结果表明，MDSTNet 在空气质量预测中具有优势，较当前最先进的模型将 48 小时预测误差降低了 17.54%。该项目的源代码和数据集将在 GitHub 上提供。
引用
@article{arxiv.2504.10014,
title = {Air Quality Prediction with A Meteorology-Guided Modality-Decoupled Spatio-Temporal Network},
author = {Hang Yin and Yan-Ming Zhang and Jian Xu and Jian-Long Chang and Yin Li and Cheng-Lin Liu},
journal= {arXiv preprint arXiv:2504.10014},
year = {2025}
}