用于空气质量预测的时空因果解耦模型
人工智能
2025-05-27 v1
摘要
由于空气污染对人类健康、生计和经济发展具有深远影响，空气质量预测具有至关重要的意义。首先，我们采用因果图方法来审视现有研究在全面建模空气质量指数（AQI）与气象特征之间因果关系方面的局限性。为了提高预测精度，我们引入了一种结合因果解耦方法的新型空气质量预测模型 AirCade。AirCade 利用时空模块并结合知识嵌入技术来捕捉 AQI 的内部动态。随后，提出一个因果解耦模块，将来自过去 AQI 和气象特征的同步因果性解耦，并将所获取的知识传播至未来时间步以增强性能。此外，我们引入了因果干预机制来显式表示未来气象特征的不确定性，从而增强模型的鲁棒性。我们在开源空气质量数据集上对 AirCade 进行了评估，结果表明其相对于 SOTA 模型取得了 20% 以上的相对提升。
引用
@article{arxiv.2505.20119,
title = {Spatiotemporal Causal Decoupling Model for Air Quality Forecasting},
author = {Jiaming Ma and Guanjun Wang and Sheng Huang and Kuo Yang and Binwu Wang and Pengkun Wang and Yang Wang},
journal= {arXiv preprint arXiv:2505.20119},
year = {2025}
}