基于多尺度时空图神经网络的污染物浓度预测
Pollutant concentration forecast based on multiscale spatiotemporal graph neural network作者机构:武汉纺织大学电子与电气工程学院武汉430200
出 版 物:《控制与决策》 (Control and Decision)
年 卷 期:2024年第39卷第4期
页 面:1396-1402页
核心收录:
学科分类:08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金项目(61701174) 江西省主要学科学术和技术带头人培养计划——领军人才项目(20204BCJ22014)。
主 题:污染物浓度预测 时空数据 深度学习 机理模型 图神经网络
摘 要:基于深度学习的细粒度污染物浓度预测是一种新兴且具有前景的方法,如何充分利用气象、空间和时间等3大信息是其关键.为了协同融合3大信息,提出一种基于多尺度时空图神经网络的污染物浓度预测模型.该模型利用空气质量模型动态构建多尺度的时空图神经网络,学习污染物之间的动态时空关系.具体为:利用图神经网络学习污染物之间的多尺度空间关系,采用空气质量模型HYSPLIT构建图的结点和边属性,通过基于注意力机制的GRU(gate recurrent unit)学习污染物浓度之间的时序关系.该模型不仅充分考虑了气象、空间和时间3大影响因素,还将3个因素联动起来统一到一个框架内协同学习.该方法与传统的机理模型方法相比具有灵活部署、易于实施的特点.实际项目数据集和公开数据集上的实验表明:与现有先进的基于图神经网络的方法相比,该方法预测的污染物浓度平均绝对误差降低了0.6左右,对称平均绝对百分比误差降低0.005左右.