AirCast：通过多变量数据对齐提升空气污染预测
机器学习
2025-02-26 v1 计算机视觉与模式识别
摘要
空气污染仍是全球健康风险中的首要因素，由于快速的工业化和城市化进程，导致其在疾病和死亡率方面作出显著贡献。本文介绍了 AirCast，这是一个新型的多变量空气污染预测模型，通过结合气象和空气质量变量来实现。AirCast 采用多任务头部结构，同时预测大气条件和污染物浓度，从而提高了对气象模式如何影响空气质量的理解。预测极端污染事件具有挑战性，因为其在历史数据中罕见出现，导致污染水平呈重尾分布。为此，我们提出了一种新颖的频率加权平均绝对误差（Frequency-weighted Mean Absolute Error, fMAE）损失函数，该损失函数灵感来源于用于回归任务的类别平衡损失。结合领域知识，我们研究了关键变量的选择，这些变量已知会影响污染水平。此外，我们在空间和时间维度上对现有气象和化学数据进行对齐。AirCast 的集成方法，结合了多任务学习、频率加权损失和领域知识驱动的变量选择，使得对空气污染预测能够实现更高的准确性。我们的源代码和模型已在此公开（https://github.com/vishalned/AirCast.git）
引用
@article{arxiv.2502.17919,
title = {AirCast: Improving Air Pollution Forecasting Through Multi-Variable Data Alignment},
author = {Vishal Nedungadi and Muhammad Akhtar Munir and Marc Rußwurm and Ron Sarafian and Ioannis N. Athanasiadis and Yinon Rudich and Fahad Shahbaz Khan and Salman Khan},
journal= {arXiv preprint arXiv:2502.17919},
year = {2025}
}