AirPhyNet：利用物理引导神经网络进行空气质量预测
机器学习
2024-02-08 v2 人工智能
应用物理
摘要
空气质量预测和建模在公共卫生和环境管理中起着关键作用，帮助个人和当局做出明智决策。尽管传统数据驱动模型在该领域显示出前景，但其长期预测准确性可能有限，尤其是在数据稀疏或不完整的情况下，并且它们通常依赖缺乏坚实物理基础的黑箱深度学习结构，导致预测的透明度和可解释性降低。为了解决这些局限性，本文提出了一种名为物理引导神经网络用于空气质量预测（AirPhyNet）的新方法。具体来说，我们利用空气粒子运动的两个公认物理原理（扩散和平流），将它们表示为微分方程网络。然后，我们利用图结构将物理知识整合到神经网络架构中，并利用潜在表示来捕捉空气质量数据中的时空关系。在两个真实世界基准数据集上的实验表明，AirPhyNet在不同测试场景（包括不同提前时间24h、48h、72h、稀疏数据和突变预测）中均优于最先进的模型，预测误差降低高达10%。此外，案例研究进一步验证了我们的模型捕捉了粒子运动的潜在物理过程，并生成了具有真实物理意义的准确预测。
引用
@article{arxiv.2402.03784,
title = {AirPhyNet: Harnessing Physics-Guided Neural Networks for Air Quality Prediction},
author = {Kethmi Hirushini Hettige and Jiahao Ji and Shili Xiang and Cheng Long and Gao Cong and Jingyuan Wang},
journal= {arXiv preprint arXiv:2402.03784},
year = {2024}
}
备注
Accepted by the 12th International Conference on Learning Representations (ICLR 2024)