基于集成监测与再分析数据的多空间多时间空气质量预测
机器学习
2024-01-02 v1 人工智能
应用统计
摘要
准确的空气质量预测对于公共卫生、环境监测与保护以及城市规划至关重要。然而，现有方法未能有效利用空间和时间上的多尺度信息。在空间上，缺乏单个监测站与城市尺度之间的整合。在时间上，空气质量变化的周期性往往被忽视或考虑不足。为了解决这些局限性，我们提出了一种基于图卷积网络和门控循环单元的新型多空间多时间空气质量预测方法 (M2G2)，弥合了跨空间和时间尺度的空气质量预测差距。所提出的框架由两个模块组成：用于空间信息融合的多尺度空间 GCN (MS-GCN) 和用于时间信息整合的多尺度时间 GRU (MT-GRU)。在空间维度上，MS-GCN 模块采用双向可学习结构和残差结构，实现了单个监测站与城市尺度图之间的全面信息交换。在时间维度上，MT-GRU 模块通过并行隐藏状态自适应地组合不同时间尺度的信息。利用气象指标和四个空气质量指标，我们进行了全面的对比分析和消融实验，展示了 M2G2 在所有方面相较于九种当前可用先进方法的更高准确性。M2G2 相较于第二佳方法在 24h/48h/72h RMSE 上的提升如下：PM2.5: (7.72%, 6.67%, 10.45%)；PM10: (6.43%, 5.68%, 7.73%)；NO2: (5.07%, 7.76%, 16.60%)；O3: (6.46%, 6.86%, 9.79%)。此外，我们通过消融研究证明了 M2G2 各模块的有效性。
引用
@article{arxiv.2401.00521,
title = {Multi-spatial Multi-temporal Air Quality Forecasting with Integrated Monitoring and Reanalysis Data},
author = {Yuxiao Hu and Qian Li and Xiaodan Shi and Jinyue Yan and Yuntian Chen},
journal= {arXiv preprint arXiv:2401.00521},
year = {2024}
}