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。

Dec, 2020

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

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

通过数据驱动的监督机器学习框架填补空缺的时间和空间测量来生成全面的污染物数据集，为依赖室外空气污染数据进行下游评估的各方提供了具有 0.25 度细粒度和小时间隔的数据，同时为每个估计值提供了预测区间，从而支持更详细的研究。还通过检查模型在不同地理位置上的表现，为将来监测站的战略放置提供了见解和建议，以进一步提高模型的准确性。

Feb, 2024

通过机器学习填补缺失的空气污染浓度数据，我们提供了英国 2018 年每小时 1kmx1km 的全面数据集，对空气污染的浓度进行预测、估计和捕捉，使相关利益相关方能以更高分辨率进行研究。

Jan, 2024

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

本文提出了一种基于联邦学习的空 - 地一体化空气质量感知框架，旨在进行精细化的三维空气质量监测和预测，其中在空中使用轻量级 Dense-MobileNet 模型进行 AQI 预测，而在地面上使用基于图卷积神经网络的长短时记忆模型来实时推理 AQI。经实验证明，在不损害数据隐私的前提下，此框架能够实现准确、高效的 AQI 感知。

Jul, 2020

本文提出了一种新的多时空融合图循环网络 (MSTFGRN) 用于交通预测，该网络提出了一种数据驱动的加权邻接矩阵生成方法以弥补预定义邻接矩阵无法反映实时空依赖性的缺陷，还通过在不同时刻的并行空时关系上执行新的双向时空融合操作来高效学习隐藏的空时依赖关系，并通过在空时融合模块中整合全局注意机制来同时捕获全局时空依赖性，实验结果表明，与其他交通预测技术相比，该方法在四个大规模真实世界交通数据集上实现了最先进的性能。

May, 2022

提出了一种基于小波图卷积循环网络的多尺度分析方法和深度学习方法相结合的 Traffic 预测模型，能够准确捕捉交通数据的空间相关性和多尺度结构，并在真实交通数据集上展现出具有解释性、强大的学习能力和竞争性的预测性能。

Jan, 2024

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