面向不完整数据的空气质量预测：基于贝叶斯深度学习的不确定性量化框架
机器学习
2025-11-05 v1 人工智能
摘要
准确的空气质量预测对于公共卫生警报、暴露评估和排放控制至关重要。实际情况下，由于采集和传输问题，观测数据常以不同比例和模式缺失，这些不完整的时空记录会阻碍可靠的推断和风险评估，并可能导致对外推结果的过度自信。为此，我们提出一种端到端框架——基于通道门控学习单元的时空贝叶斯神经场 (CGLUBNF)。它使用傅里叶特征配合图注意力编码器来捕捉多尺度空间依赖性和季节性时序动态。通道门控学习单元采用可学习激活函数和门控残差连接，对信息特征进行自适应过滤和放大。贝叶斯推断联合优化预测分布和参数不确定性，产生点估计和校准的预测区间。我们在两个真实数据集上进行系统评估，覆盖四种典型的缺失数据模式，并与五个前沿基线方法进行比较。CGLUBNF 在预测准确性和置信区间锐度方面均取得优异性能。此外，我们进一步验证了在多个预测时段上的鲁棒性，并分析了外来变量的贡献。这一研究为在新兴感知范式（如真实世界车载移动监测）中，针对不完整观测的深度学习时空预测奠定了可靠基础。
引用
@article{arxiv.2511.02175,
title = {Tackling Incomplete Data in Air Quality Prediction: A Bayesian Deep Learning Framework for Uncertainty Quantification},
author = {Yuzhuang Pian and Taiyu Wang and Shiqi Zhang and Rui Xu and Yonghong Liu},
journal= {arXiv preprint arXiv:2511.02175},
year = {2025}
}