基于图的物理导向的城市 PM2.5 空气质量插值方法
机器学习
2025-06-10 v1 人工智能
摘要
本文引入 GraPhy，一个基于图结构的物理导向学习框架，用于在监控数据有限的城市地区进行高分辨率和准确的空气质量建模。细粒度的空气质量监测信息对于减少公众暴露于污染物方面至关重要。然而，监控网络在经济社会上不发达地区往往稀疏，限制了空气质量建模的准确性和分辨率。为此，我们提出一种物理导向的图神经网络架构 GraPhy，其层和边特征专为低分辨率监控数据设计。使用来自美国经济社会上不发达地区的圣胡安谷 (San Joaquin Valley) 数据进行实验，结果表明 GraPhy 综合性能最佳，评估指标包括均方误差 (mean squared error, MSE)、平均绝对误差 (mean absolute error, MAE) 和决定系数 (R-square value, R2)，相较于各种基线模型，性能提升 9%~56%。此外，GraPhy 在不同空间异质性水平下均优于基线模型，证明了本模型设计的有效性。
引用
@article{arxiv.2506.06917,
title = {Graph-Based Physics-Guided Urban PM2.5 Air Quality Imputation with Constrained Monitoring Data},
author = {Shangjie Du and Hui Wei and Dong Yoon Lee and Zhizhang Hu and Shijia Pan},
journal= {arXiv preprint arXiv:2506.06917},
year = {2025}
}
备注
Accepted by ACM Transactions on Sensor Networks (TOSN) 2025