基于图卷积的支持向量回归用于城市空气污染的鲁棒时空预测
机器学习
2026-05-06 v1 应用统计
机器学习
摘要
城市空气质量预测具有挑战性，因为污染物浓度呈非线性、非平稳、时空相关的特征，并且常受到交通拥堵、工业排放及季节性气象波动引发的异常观测的影响。本文提出了一种基于图卷积的支持向量回归（Graph Convolutional Support Vector Regression, GCSVR）框架，用于城市空气污染的鲁棒时空预测。该模型结合图卷积学习以捕获站点之间的空间依赖性，同时利用支持向量回归建模非线性时序动态，从而降低对异常观测值的敏感性。本文使用来自印度德里37个和孙拿拉18个空气质量监测站的数据进行评估，分别代表内陆和沿海大城市环境。对比多种时间尺度和已有的时空基准方法，结果表明GCSVR在预测准确性上持续提升，并在季节变化及异常污染事件中保持稳定性能。统计检验进一步确认了该方法在两座城市中的可靠性。最后，将保守预测集成到GCSVR中，以生成已校准的预测区间，显著提升其在不确定性感知的空气质量监测和公共卫生决策中的实际价值。
引用
@article{arxiv.2605.03795,
title = {Graph Convolutional Support Vector Regression for Robust Spatiotemporal Forecasting of Urban Air Pollution},
author = {Nourin Jahan and Madhurima Panja and Muhammed Navas T and Tanujit Chakraborty},
journal= {arXiv preprint arXiv:2605.03795},
year = {2026}
}