开放系统中物理引导的双神经ODE空气质量预测
机器学习
2025-04-16 v2 大气与海洋物理
计算物理
摘要
空气污染严重威胁人类健康和生态系统，需要有效的空气质量预测来为公共政策提供信息。传统方法通常分为基于物理的模型和数据驱动的模型。基于物理的模型通常面临高计算需求和封闭系统假设的挑战，而数据驱动的模型可能忽略基本的物理动态，混淆时空相关性的捕捉。尽管一些物理引导的方法结合了两种模型的优势，但它们常常面临显式物理方程与隐式学习表示之间的不匹配。为了解决这些挑战，我们提出了Air-DualODE，一种新颖的物理引导方法，集成了双分支神经ODE用于空气质量预测。第一个分支应用开放系统物理方程来捕捉时空依赖性以学习物理动态，而第二个分支以完全数据驱动的方式识别第一个分支未处理的依赖性。这些双重表示在时间上对齐并融合，以提高预测精度。我们的实验结果表明，Air-DualODE在预测不同空间尺度的污染物浓度方面达到了最先进的性能，从而为现实世界的空气质量挑战提供了一个有前景的解决方案。
引用
@article{arxiv.2410.19892,
title = {Air Quality Prediction with Physics-Guided Dual Neural ODEs in Open Systems},
author = {Jindong Tian and Yuxuan Liang and Ronghui Xu and Peng Chen and Chenjuan Guo and Aoying Zhou and Lujia Pan and Zhongwen Rao and Bin Yang},
journal= {arXiv preprint arXiv:2410.19892},
year = {2025}
}