NeuroDDAF：用于空气质量预测的神经动态扩散-输运场与证据融合
机器学习
2026-04-02 v1
摘要
准确的空气质量预测对于保护公共健康和指导环境政策至关重要，但由于非线性时空动力学、风力驱动的输运以及区域间分布迁移，仍面临挑战。基于物理的模型可解释性强，但计算昂贵且常依赖限制性假设，而纯数据驱动模型可能精确但缺乏鲁性和校准不确定性。为此，我们提出 NeuroDDAF（Neural Dynamic Diffusion-Advection Fields），一种统一神经表示学习与开放系统输运建模的物理信息方法。NeuroDDAF 集成了 (i) 捕获时序动力学和风感知空间相互作用的 GRU-图注意力编码器、(ii) 具有可学习残差的傅里叶域扩散-输运模块、(iii) 在时变连接性下建模连续时演化的风调制潜在神经 ODE，以及 (iv) 自适应组合物理引导和神经预测的证据融合机制，同时量化不确定性。在 1-3 天的时间范围内，对来自四个城市（北京、深圳、天津和 Ancona）的实验显示，NeuroDDAF 持续优于强基准，包括 AirPhyNet，长期预测的 RMSE 降低最高可达 9.7%，MAE 降低最高可达 9.4%。在北京数据集上，NeuroDDAF 对 1 天预测的 RMSE 为 41.63 μg/m³，对 3 天预测的 RMSE 为 48.88 μg/m³，代表所有比较方法中的最佳性能。此外，NeuroDDAF 改善了跨城市泛化，生成了校准良好的不确定性估计，经集合方差分析和在不同风条件下的案例研究均得到证实。
引用
@article{arxiv.2604.01175,
title = {NeuroDDAF: Neural Dynamic Diffusion-Advection Fields with Evidential Fusion for Air Quality Forecasting},
author = {Prasanjit Dey and Soumyabrata Dev and Angela Meyer and Bianca Schoen-Phelan},
journal= {arXiv preprint arXiv:2604.01175},
year = {2026}
}
备注
This manuscript is under review