UrbanGraph：面向城市微气候预测的物理信息时空动态异构图
机器学习
2026-02-04 v2 人工智能
计算工程、金融与科学
摘要
随着城市化进程的加快，预测城市微气候变得至关重要，这直接影响建筑能源需求和公共健康风险。然而，现有的生成式方法和均质图方法难以捕捉物理一致性、空间依赖性和时序变异性。为此，我们引入 UrbanGraph 框架，基于一种新颖的结构性归纳偏置。不同于隐式图学习，UrbanGraph 将物理基本原理转化为动态因果拓扑，显式地将时变因果关系（如阴影和对流）编码到图结构中，以确保物理一致性和数据效率。结果表明，UrbanGraph 在所有基线方法上均实现了最先进的性能。具体而言，采用显式因果修剪可将模型的浮点运算量 (FLOPs) 降低 73.8%，训练速度提升 21%。我们的贡献包括首个面向时空微气候建模的高分辨率基准，以及一种适用于由已知物理方程 governing 的城市时空动力学的通用显式拓扑编码范式。
引用
@article{arxiv.2510.00457,
title = {UrbanGraph: Physics-Informed Spatio-Temporal Dynamic Heterogeneous Graphs for Urban Microclimate Prediction},
author = {Weilin Xin and Chenyu Huang and Peilin Li and Jing Zhong and Jiawei Yao},
journal= {arXiv preprint arXiv:2510.00457},
year = {2026}
}