基于多对抗时空网络的空气质量与天气联合预测
机器学习
2021-01-06 v2 人工智能
摘要
准确及时的空气质量与天气预测对城市治理和民生具有重要意义。尽管已有许多针对空气质量或天气预测的工作，但大多数仅将其中之一作为特征输入，忽略了两个预测任务之间的内在联系。一方面，一个任务的准确预测有助于提升另一个任务的性能。另一方面，地理空间分布的空气质量与天气监测站为城市级时空依赖建模提供了额外线索。受上述两点启发，本文提出多对抗时空循环图神经网络（MasterGNN）用于空气质量与天气的联合预测。具体而言，我们首先提出异质循环图神经网络来建模空气质量与天气监测站之间的时空自相关性。然后，我们开发多对抗图学习框架以抵御时空建模引入的观测噪声传播。此外，我们将多对抗学习表述为多任务学习问题，提出一种自适应训练策略。最后，在两个真实世界数据集上的大量实验表明，MasterGNN在空气质量与天气预测任务上相比七个基线均取得了最佳性能。
引用
@article{arxiv.2012.15037,
title = {Joint Air Quality and Weather Prediction Based on Multi-Adversarial Spatiotemporal Networks},
author = {Jindong Han and Hao Liu and Hengshu Zhu and Hui Xiong and Dejing Dou},
journal= {arXiv preprint arXiv:2012.15037},
year = {2021}
}
备注
9 pages, 6 figures