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

本文采用最新的随机数据分析方法，发现可以用少量随机变量代表多元随机系统的相关信息，并将其用于人工神经网络模型的空气质量预测。我们发现，通过使用这些派生变量作为神经网络训练的输入变量，能显著减少神经网络模型所需的输入变量，而不会显著改变模型的预测能力。这些派生变量和其他变量一同被提议为训练神经网络模型预测大气和天气物理属性的最佳变量集。最后，我们简要讨论了此类优化神经网络模型的其他可能应用。

Jul, 2013

通过结合视觉转换器模块和高效的时间序列转换器模块，GeoFormer 模型在预测地表二氧化氮（NO2）浓度方面取得了高准确度（MAE 5.65），证明了使用卫星数据进行增强温室气体排放洞察力的有效性，对于推进全球气候变化监测和排放调控工作具有重要意义。

Feb, 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

本文提出一种基于图的 PM2.5-GNN 模型来预测 PM2.5 浓度，能够捕捉 PM2.5 过程中的细粒度和长期影响，并已在真实数据集上得到验证，可提供免费预测服务。

Feb, 2020

利用 Sentinel-5P 卫星、气象条件和拓扑特征的数据，本研究引入了一系列机器学习模型来预测未来 5 种主要污染物的水平。通过在米兰都市区进行的实验，这些模型在预测未来一天的污染物水平方面表现出了良好的效果，误差率约为 30%。该研究对提升我们对城市空气质量动态的理解以及强调结合卫星、气象和地形数据来开发强大的污染物预测模型的重要性做出了贡献。

May, 2024

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

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

本文提出了一种新的方法，利用来自各种信息源的新实时信号（例如基于社交媒体的人口密度地图和空气质量数据）来预测流行病学参数，使用多个卷积神经网络（CNN）模型的集合，并使用各种数据源和融合方法来构建稳健的预测，在伦敦的 COVID-19 爆发预测中，气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性，并通过数据同化估计了我们系统的状态，从而提高了我们的模型的稳定性和准确性。

Jul, 2023

交通状态预测对于交通管理和控制策略、用户和系统级决策制定在交通网络中至关重要。本文提出了一种基于多维时空图注意力的交通预测方法（M-STGAT），该方法通过过去的速度观测、车道封闭事件、温度和可见度等交通网络上的观测变量来预测交通状况。数值实验表明，M-STGAT 在采用我们的主要数据集进行 30、45 和 60 分钟的预测时，以三个误差度量指标（平均绝对误差、均方根误差和平均绝对百分比误差）胜过了其他三种不允许多维输入的模型。然而，该模型的可转移性可能因不同的转移数据集而有所差异，这个方面可能需要进一步研究。

Oct, 2023