一种结合推理对齐的双图时空卷积网络用于PM2.5浓度多步预测

《Scientific Reports》：A dual-graph spatiotemporal convolutional network with reasoning alignment for PM2.5 concentration multi-horizon forecasting

　　

摘要

PM_2.5 是雾霾的主要成分，是一种可吸入颗粒物，对环境 和人类健康有害。准确的 PM_2.5 浓度预测对于政府制定雾霾防治措施具有重要意义。以往的研究对监测站之间的非欧几里得关系以及 PM_2.5 浓度序列内的跨样本特征探索不足。为了从空间和时间两个角度充分利用 PM_2.5 浓度的时空特征，本研究提出了一种带有推理对齐的双图时空卷积网络（DGST-RA）。具体来说，通过考虑每个站点的非欧几里得关系表示，构建了一个双图卷积网络，从静态和动态两个维度建模站点之间的空间依赖关系。随后，我们将时间特征提取重构为序列推理过程。为了提高学习时间表示的一致性，引入了推理内对齐和推理间对齐模块进行时间建模。最后，融合空间建模模块和时间建模模块提取的特征，得到预测的 PM_2.5 浓度值。大量短期和长期预测实验表明，与其他基准方法相比，DGST-RA 在短期和长期 PM_2.5 浓度预测中均取得了最好的预测性能。平均而言，与最佳基准模型相比，我们的 DGST-RA 模型在 1 小时预测中，使 RMSE、MAE 和 SMAPE 分别降低了 8.04%、8.10% 和 11.12%，在 24 小时预测中，使 CRMSE 降低了 41.44%。这些结果证实了 DGST-RA 是多时间跨度 PM_2.5 浓度预测的有效模型。