PM2.5-GNN: 领域知识增强的图神经网络用于 PM2.5 预测
提出了一种双重深度神经网络(D-DNet)预测与数据同化系统,能够高效整合实时观测,确保可靠的运营预测。D-DNet 在 PM2.5 和 AOD550 的全球运营预测方面表现优秀,在 2019 年整年内保持一致的准确性,并比 Copernicus Atmosphere Monitoring Service (CAMS) 4D-Var 运营预测系统具有显著的高效性,同时保持可比较的准确性。这种高效性有利于集合预测、不确定性分析和大规模任务。
Jun, 2024
本研究提出了一种基于群组感知的图神经网络 (GAGNN) 模型,用于预测全国城市的空气质量,该模型通过构建城市图和城市群组图来建模城市之间的空间和潜在依赖关系,并采用消息传递机制来模拟城市和城市群组之间的依赖关系,实验证明该模型优于现有的预测模型。
Aug, 2021
该研究提出了一种基于深度学习的新型空气质量(主要是 PM2.5)预测模型,该模型能够通过卷积神经网络和双向 LSTM 混合框架学习空气质量相关时间序列数据的空间 - 时间相关性特征和多元相关性特征,并在两个实际数据集上进行了实验验证,表明该模型能够以较高的准确性进行 PM2.5 空气污染预测。
Dec, 2018
本研究提出了一种用于空气质量预测的动态图神经网络,使用自适应边属性进行边信息传递,并通过端到端训练获取自适应边信息,从而提高模型表现。
Feb, 2023
该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构:图卷积网络(Graph Convolutional Networks),图采样和聚集(Graph Sample and Aggregation)以及门控图神经网络(Gated Graph Neural Networks)。研究结果显示,GGNNs 是三个模型中最有效的选择,通过均方根误差和平均绝对误差(MAE)展现了预测性能,GCNs 的均方根误差为 9.10,平均绝对误差为 8.00,而 GraphSAGE 显示出改进,均方根误差为 8.3,平均绝对误差为 7.5。门控图神经网络(GGNNs)表现出最低的均方根误差,为 9.15,令人印象深刻的平均绝对误差为 7.1,使其成为最佳选择。
Oct, 2023
本文提出了一种可扩展的图注意力网络(EGAT)模型,它从现有和新添加的基础设施中收集数据,并适用于具有不断变化的空间结构的情景,用于空气质量预测模型中。
Jul, 2023
在西北美洲,由于规模和严重程度的增加,近年来野火引发了危险水平的 PM$_{2.5}$ 污染。在气候变暖的情况下,扩大使用计划烧火被广泛认为是最可靠的火灾缓解策略。然而,可靠地预测这些计划烧火的潜在空气质量影响,这是确定烧火的位置和时间的关键因素,在小时到日时间尺度上仍然是一个具有挑战性的问题。本文提出了一种新颖的计划烧火模拟与基于时空图神经网络的 PM$_{2.5}$ 预测模型相结合的方法。该工作的实验重点是确定在加利福尼亚州实施计划烧火的最佳时间,并量化在火灾季节之外进行更多计划烧火可能涉及的空气质量权衡。
Dec, 2023
通过将神经网络和统计结构学习模型相结合,我们提出了一种混合方法,通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图,从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上,我们的方法显著提高了性能。
Dec, 2023
基于图卷积网络和门控循环单元(M2G2)的多空间多时间空气质量预测方法弥合了空气质量预测跨空间和时间尺度的差距,并通过多尺度空间图卷积(MS-GCN)和多尺度时间门控循环单元(MT-GRU)模块实现了综合信息交换与整合,提高了 accuracy。
Dec, 2023
利用基于图神经网络(GNN)的混合模型,我们通过将全球气候和野火数据表示为图形,解决了传统模型中存在的空洞海洋数据位置和远程相关性的挑战,并且在未见过的 JULES-INFERNO 模拟数据集上展示出卓越的预测准确性。此外,通过社区检测和集成梯度分析,我们揭示了潜在的野火相关性聚类和特征重要性,强调了模型的可解释性。我们的研究不仅推动了野火预测方法领域的发展,还强调了模型透明度的重要性,并为野火管理的利益相关者提供了有价值的见解。
Feb, 2024