基于物理引导增量训练策略的归纳式时空克里金
机器学习
2025-03-14 v1
摘要
传感器部署受制于高成本，导致网络覆盖不足，某些区域数据不足。利用现有观测数据，时空克里金方法可在特定时期估计未观测位置的空气质量。归纳式时空克里金采用增量训练策略，已 demonstrated有效地通过虚拟节点模拟未观测节点。然而，虚拟节点与真实节点之间的差异仍然存在，使从虚拟节点推导出的学习模式难以应用于实际未观测节点。为此，本文提出了物理引导增量训练策略（Physics-Guided Increment Training Strategy, PGITS）。具体而言，我们设计了动态图生成模块，将气体颗粒的扩散和扩散过程作为物理知识纳入图结构中，动态调整邻接矩阵以反映节点之间的物理相互作用。通过物理原理作为虚拟节点与实际节点之间的桥梁，此策略确保虚拟节点的特征及其伪标签与实际节点更接近。从而，来自虚拟节点的学习模式可应用于实际未观测节点，以实现有效的克里金估计。
引用
@article{arxiv.2503.09646,
title = {Inductive Spatio-Temporal Kriging with Physics-Guided Increment Training Strategy for Air Quality Inference},
author = {Songlin Yang and Tao Yang and Bo Hu},
journal= {arXiv preprint arXiv:2503.09646},
year = {2025}
}