用于空气质量推断的时空场神经网络

空气质量推断问题旨在利用有限数量观测站点的历史数据，推断未知位置的空气质量指数。考虑到站点高昂的维护成本导致的数据稀疏性，优秀的推断算法可以有效节约成本并细化数据粒度。虽然时空图神经网络在此问题上取得了显著进展，但其对现实的非欧几里得和离散数据结构建模限制了其潜力。在本工作中，我们首次尝试结合场和图这两种不同的时空视角，提出了一种新模型——时空场神经网络（Spatio-Temporal Field Neural Network）及其对应的新框架——金字塔推断（Pyramidal Inference）。大量实验验证表明，我们的模型在中国大陆的全国范围空气质量推断中实现了最先进（state-of-the-art）的性能，证明了所提模型和框架的优越性。