用于全市范围空气污染插值与预测的时空深度学习模型

近年来，空气污染是大城市最为关注的问题之一。为任何区域、任何时间预测空气质量是城市居民的迫切需求。然而，对整个城市进行空气污染预测是一个具有挑战性的问题。原因在于，全市范围内有许多时空因素影响空气污染。收集尽可能多的此类因素有助于我们更好地预报空气污染。在本研究中，我们展示了在韩国首尔市收集的大量时空数据集，该市目前也深受空气污染问题困扰。这些数据集包括空气污染数据、气象数据、交通流量、平均行驶速度，以及已知会影响首尔空气污染的外部区域空气污染指数。据我们所知，交通流量与平均行驶速度是空气污染研究中两个全新的数据集。此外，近期空气污染研究试图构建模型以对城市中的空气污染进行插值与预测。然而，它们大多聚焦于离散位置的空气质量预测，或使用了手工设计的空间与时间特征。本文中，我们提出使用卷积长短期记忆（ConvLSTM）模型，即卷积神经网络与长短期记忆的组合，其可自动处理数据的空间与时间特征。具体而言，我们介绍了如何将空气污染数据转换为图像序列，从而利用ConvLSTM模型同时对整个城市进行空气质量的插值与时序预测。我们证明，我们的方法适用于时空空气污染问题，并且优于其他相关研究。