基于群相对策略优化的实时长期空气质量预测
计算机视觉与模式识别
2026-03-24 v2 人工智能
摘要
准确预测颗粒物（PM）浓度场的长期预报对于操作公共卫生决策至关重要。然而，在地形复杂且大气动力学强烈的地区（如东亚）实现可靠的预测仍然具有挑战性。虽然基础模型如Aurora提供了全局的通用性，但常常忽略区域特有的动力学，依赖非实时输入，限制了其在局部预警系统中的实际效用。为此，我们构建并发布了面向东亚的真实观测和高分辨率CMAQ-OBS数据集，显著降低区域误差59.5%，并实现了对公共卫生警报至关重要的48-120小时实时预测。然而，标准的点级目标无法反映操作中不对称的成本，在其中，误报会损害公众信任，而漏报严重事件则危及人民生命安全。这种成本不匹配导致SFT模型过度预测，导致高假警率。我们引入基于群相对策略优化（GRPO）的框架，采用类别相关奖励和课程化rollout，以对齐预测与操作优先级。实验结果表明，我们的框架显著提高了预测的可靠性。与仅SFT的基线相比，我们的模型将假警率降低47.3%，同时保持竞争的F1分数，证明其在长期场景下实现实际、现实空气质量预测系统的有效性。代码和数据集已公开于https://github.com/kaist-cvml/FAKER-Air。
引用
@article{arxiv.2511.22169,
title = {Real-Time Long Horizon Air Quality Forecasting via Group-Relative Policy Optimization},
author = {Inha Kang and Eunki Kim and Wonjeong Ryu and Jaeyo Shin and Seungjun Yu and Yoon-Hee Kang and Seongeun Jeong and Eunhye Kim and Soontae Kim and Hyunjung Shim},
journal= {arXiv preprint arXiv:2511.22169},
year = {2026}
}
备注
31 pages