用于在真实世界多站点监测数据下进行空气质量预测的可解释时空图神经网络

《Scientific Reports》：Interpretable spatio-temporal graph neural networks for air quality prediction under real-world multi-station monitoring data

　　

摘要

空气质量预测在环境管理、公共卫生安全以及城市区域的可持续性方面扮演着至关重要的角色。空气污染的动态特性导致了监测站点之间的空间关系，以及特定时间气象因素与空气污染物因素之间的非线性关系，这给准确预测带来了复杂性。在这项研究中，我们提出了一种可解释的时空图神经网络（CIST-GNN），该网络利用图注意力网络（GATs）捕捉来自空气质量监测站的空间依赖性，门控循环单元（GRUs）学习时间序列数据中的时间模式，并采用特征注意力机制来提高对特征贡献的解释能力。所提出框架的有效性通过实际数据集进行了评估（即，来自北京的UCI多站点空气质量测量数据），该数据集包含2013年至2017年间从12个不同监测站点收集的420,768个观测值。实验评估显示，CIST-GNN在测试集上的R2得分达到93.23%，均方根误差（RMSE）为21.66 μg/m3，平均绝对误差（MAE）为12.08 μg/m3。该模型使用了包括PM2.5、PM10、NO2、CO、SO2、O3、温度、湿度和风速信息在内的污染物浓度和气象变量。此外，特征注意力机制揭示了哪些环境变量对模型的预测具有可解释的特征重要性。与仅使用时间信息的GRU相比，所提出的框架具有额外的优势，例如能够处理空间依赖性、提供特征归因，并且对不同类型的空间监测网络具有鲁棒性。这些结果表明，CIST-GNN为空气质量预测提供了一个有效且可解释的框架。