HighAir：一种基于层次图神经网络的空气质量预测方法
机器学习
2026-03-19 v2
摘要
准确预测空气质量对保护公众免受肺部和心脏疾病至关重要。这是一项具有挑战性的任务，因为不同污染源与各种其他影响因素之间存在复杂的交互。现有空气质量预测方法无法有效建模城市与监测站之间空气污染物的扩散过程，而该过程可能使一个区域空气质量突然恶化。在本文中，我们提出HighAir，即一种基于层次图神经网络的空气质量预测方法，其采用编码器-解码器架构并考虑复杂的空气质量影响因素，例如天气和土地利用。具体而言，我们从层次视角构建城市级图和站点级图，分别考虑城市级和站点级模式。我们设计两种策略，即上层传递和下层更新，以实现层间交互，并引入消息传递机制以实现层内交互。我们基于风向动态调整边权重，以建模动态因素与空气质量之间的相关性。我们在长三角城市群的 dataset 上将HighAir与最先进的空气质量预测方法比较，该数据集覆盖61,500 km2内的10个主要城市。实验结果表明HighAir显著优于其他方法。
引用
@article{arxiv.2101.04264,
title = {HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method},
author = {Ling Chen and Jiahui Xu and Binqing Wu and Mingqi Lv and Chaoqun Zhan and Sanjian Chen and Jian Chang},
journal= {arXiv preprint arXiv:2101.04264},
year = {2026}
}