Dec, 2020

基于多重对抗时空网络的联合空气质量和天气预测

PDF
TL;DR本文提出了 Multi-adversarial spatiotemporal recurrent Graph Neural Networks（MasterGNN）模型，通过模型化空气质量和气象监测站之间的时空自相关性，并采用多元对抗图学习框架来预测城市内的空气质量和天气，并将多元对抗学习作为多任务学习来解决观察噪声扩散的问题，实验表明 MasterGNN 在空气质量和气象预测任务中表现最佳。
发现论文，激发创造
  • 多时空空气质量预测与集成监测和再分析数据

    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

  • 城市空气污染预测的时空图卷积循环神经网络模型

    使用 Spatiotemporal Graph Convolutional Recurrent Neural Network 模型，结合 GCN 框架和 RNN 结构进行空气质量预测，相较于目前最先进的 ConvLSTM 模型具有更好的性能，并且参数数量更少；在实际空气污染数据集中优于混合 GCN 方法。

    Apr, 2023

  • HiSTGNN：用于天气预报的分层时空图神经网络

    本文提出了一种层次化的时空图神经网络模型 (HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了 4.2% 到 11.6%。

    Jan, 2022

  • 基于混合深度学习框架的深度空气质量预测

    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

  • 面向全国城市空气质量预测的群体感知图神经网络

    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

  • 利用可扩展的图神经网络进行机会性空气质量监测和预测

    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

  • WeatherGNN：利用复杂关系进行数值天气预报偏差修正

    提出了一种利用图神经网络的 NWP 偏差校正方法 WeatherGNN，在两个真实数据集上展示了与其他方法相比的显著优势，平均 RMSE 提高了 40.50%。

    Oct, 2023

  • 时空场神经网络用于空气质量推断

    通过融合领域和图两种不同的时空观察角度，我们提出一种新的模型，即时空场神经网络，并引入了相应的新框架 Pyramidal Inference，广泛实验证明我们的模型在中国大陆的全国范围内空气质量推断方面取得了最先进的性能，证明了我们提出的模型和框架的优越性。

    Mar, 2024

  • 自适应边属性的动态图神经网络在空气质量预测中的应用

    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

  • 基于分层图神经网络的空气质量预测方法：HighAir

    本研究提出了一种基于层次图神经网络的空气质量预测方法 HighAir，采用编码器 - 解码器结构，并考虑了天气和土地利用等复杂的影响因素，动态调整边缘权重以建模动态因素与空气质量的相关性，实验结果表明 HighAir 显著优于其他方法.

    Jan, 2021