AirDDE：基于多因素神经时滞微分方程的空气质量预测
机器学习
2026-03-19 v1 人工智能
摘要
准确的空气质量预测对于公共健康和环境可持续发展至关重要，但由于污染物动力学的复杂性，仍面临挑战。现有的深度学习方法常将污染物动力学建模为瞬时过程，忽略了污染物传播中固有的延迟效应。因此，我们提出AirDDE，该框架是该任务中首个神经时滞微分方程方法，通过物理引导将时滞建模融入连续时间的污染物演化过程。具体而言，引入了两个新颖组件：（1）一个记忆增强注意力模块，用于检索全局和局部历史特征，能够适应性地捕获由多因素数据调制的时滞效应；（2）一个基于扩散-迁移方程的物理引导时滞演化函数，建模扩散、延迟迁移以及源/汇项，能够以物理上合理的方式捕获时滞感知的污染物积累模式。 在三个真实数据集上的大量实验表明，AirDDE实现了最先进的预测性能，平均MAE降低8.79%。代码已发布于https://github.com/w2obin/airdde-aaai。
引用
@article{arxiv.2603.17529,
title = {AirDDE: Multifactor Neural Delay Differential Equations for Air Quality Forecasting},
author = {Binqing Wu and Zongjiang Shang and Shiyu Liu and Jianlong Huang and Jiahui Xu and Ling Chen},
journal= {arXiv preprint arXiv:2603.17529},
year = {2026}
}
备注
AAAI 2026