打破区域壁垒：面向全球空气质量预测的归纳式语义拓扑学习
机器学习
2026-01-30 v1
摘要
全球空气质量预测面临严重的空间异质性问题，以及现有转导模型对未见地区泛化能力差的挑战。为此，我们提出OmniAir，一种针对全球站点级预测的语义拓扑学习框架。通过编码不变的物理环境属性以生成可泛化的站点身份，并动态构建自适应稀疏拓扑结构，此方法有效捕获跨不均匀全球网络的远程非欧几里得相关性和物理扩散模式。我们进一步构建WorldAir数据集，覆盖全球7800多个站点。大量实验表明，OmniAir在18个基线模型上实现了最先进性能，保持高效与可扩展性，推理速度几乎快10倍，同时有效弥合数据稀缺地区的监测差距。
引用
@article{arxiv.2601.21899,
title = {Breaking the Regional Barrier: Inductive Semantic Topology Learning for Worldwide Air Quality Forecasting},
author = {Zhiqing Cui and Siru Zhong and Ming Jin and Shirui Pan and Qingsong Wen and Yuxuan Liang},
journal= {arXiv preprint arXiv:2601.21899},
year = {2026}
}