MVAR：多变量自回归空气污染物预测模型
计算机视觉与模式识别
2025-07-17 v1 机器学习
摘要
空气污染物对环境和人类健康构成严重威胁，因此对污染物浓度进行准确预测对于发布污染警报和制定政策至关重要。现有研究主要关注单一污染物预测，忽略了不同污染物之间的相互作用及其各异的空间响应。为满足多变量空气污染物预测的实际需求，我们提出了多变量自回归空气污染物预测模型 (MultiVariate AutoRegressive air pollutants forecasting model, MVAR)，该模型减少了对长时间窗口输入的依赖，提高了数据利用效率。我们还设计了多变量自回归训练范式，使 MVAR 能够实现 120 小时的长期序列预测。此外，MVAR 发展了气象耦合空间变换器模块，使其能够灵活地耦合基于 AI 的气象预测，同时学习污染物之间的相互作用及其各异的空间响应。鉴于空气污染物预测领域缺乏标准化数据集，我们构建了一个覆盖 2018 年至 2023 年中北部 75 个城市、涵盖 6 种主要污染物的综合数据集，包括 ERA5 再分析数据和 FuXi-2.0 预测数据。实验结果表明，所提出的模型优于最先进的方法，验证了所提出体系结构的有效性。
引用
@article{arxiv.2507.12023,
title = {MVAR: MultiVariate AutoRegressive Air Pollutants Forecasting Model},
author = {Xu Fan and Zhihao Wang and Yuetan Lin and Yan Zhang and Yang Xiang and Hao Li},
journal= {arXiv preprint arXiv:2507.12023},
year = {2025}
}