回到未来：通过未来协变量进行基于GNN的NO$_2$预测

由于在抑制城市地区污染物排放方面的最新环境关切，空气污染预测已上升为全球所有研究人员的首要任务。在预测污染物浓度时，通常会将影响这些浓度的环境因素（如交通、气象条件和地理信息）在较长时期内的影响纳入其中。现有的大多数方法将这些信息作为过去协变量利用，即影响污染物但不受污染物影响的过去外生变量。在本文中，我们提出了一种新颖的预测方法，通过过去和未来协变量来预测NO$_2$浓度。未来协变量由天气预报和未来日历事件表示，这些在预测时已经是已知的。具体而言，我们处理全市地面监测站网络中的空气质量观测，对数据结构进行建模，并使用时空图神经网络（STGNN）估计预测。我们提出了一个条件块，将过去和未来协变量嵌入到当前观测中。在提取有意义的时空表示后，将它们融合在一起并投影到预测视界以生成最终预测。据我们所知，这是首次以结构化方式将未来协变量包含在时间序列预测中。值得注意的是，我们发现基于未来天气信息的条件化比考虑过去的交通状况具有更大的影响。我们在 https://github.com/polimi-ispl/MAGCRN 发布了我们的代码实现。