MTLPM:一种基于时空图形神经网络的长期细粒度PM2.5预测方法
Yi-Yang Hu1, Hai-Bin Liao2,3, Li Yuan1
1School of Electronic and Electrical Engineering, Wuhan Textile University, Wuhan, 430200, China.
Environmental monitoring and assessment
|November 23, 2024
概括
这项研究介绍了MTLPM,这是预测PM2.5空气质量的新型模型. 它通过考虑监测站之间的空间影响和时间依赖,提高了长期预测的准确性.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 颗粒物质2.5 (PM2.5) 是空气质量的一个关键指标.
- 当前的PM2.5预测模型往往忽视空间的相互依赖性,并难以进行长期预测.
- 现有的方法通常集中在单个监测站上,忽视了空气循环等环境因素.
研究的目的:
- 为准确的长期PM2.5度预测开发一个先进的模型.
- 将空间动态和复杂的环境因素纳入空气质量预测.
- 通过解决空间分析和预测持续时间的局限性来改进现有方法.
主要方法:
- 提出了MTLPM,一个带有编码器-解码器架构的时空图形神经网络.
- 利用带有空间和环境数据 (温度,湿度,风) 的消息传递机制,实现实时空间信息.
- 雇员多头 ProbSparse 提取时间特征和长期依赖的自我注意力.
- 实现了一个生成的单步解码器,用于同时进行多站长期预测.
主要成果:
- 与最先进的方法相比,MTLPM表现出卓越的性能.
- 实现了平均绝对误差 (MAE) 的平均减少1.6.
- 在对称平均绝对百分比误差 (SMAPE) 中获得了0.02的平均减少.
结论:
- MTLPM有效地捕获时空模式,以改善PM2.5预测.
- 该模型在长期空气质量预测中提供了更高的准确性.
- 拟议的方法在预测多个站点的PM2.5度方面取得了重大进展.


