连续时间空气污染物预测使用多时间尺度注意力神经常规微分方程 (MA-NODE)

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:

• 空气污染对全球健康和环境构成重大风险,需要对干预措施进行准确的预测.
• 像LSTM这样的传统深度学习模型与空气污染和不规则数据的持续动态作斗争.
• 神经常规微分方程 (神经ODE) 提供连续时间建模,但在环境科学中未得到充分探索.

研究的目的:

• 为先进的空气污染预测引入一个新的多时间尺度注意力神经ODE (MA-NODE) 框架.
• 解决离散时间模型的局限性,包括离散化错误和处理不规则的数据采样.
• 开发一个强大的AI工具,用于环境管理和公共卫生.

主要方法:

• 开发了一个MA-NODE框架,利用通过神经ODE的连续时间建模.
• 嵌入了潜伏动态的多时间尺度分解 (快速,中等,缓慢).
• 集成了一个注意力机制,用于增强特征合成,并对各种空气质量数据集 (PM2.5,O3,NO2,SO2,CO,PM10) 进行评估.

主要成果:

• 实现了R2>0.9对于三步前的空气质量预测,超过现有方法.
• 在平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 中显示了10-15%的减少.
• 提供精确校准的95%间隔覆盖率 (≈0.90),表明可靠的不确定性估计.

结论:

• 通过利用连续时间建模,MA-NODE框架为空气质量预测提供了显著的进步.
• 该模型有效地处理复杂的环境数据和不规则的抽样,优于传统和最先进的方法.
• 这项研究促进了神经ODE在环境科学中的应用,增强了公共卫生和可持续发展的努力.