数据机理融合的空气质量预测——基于自监督的动态图卷积网络

作     者：彭庆杰 

作者单位：北京交通大学 

学位级别：硕士

导师姓名：李清勇

授予年度：2023年

学科分类：07[理学] 08[工学] 081104[工学-模式识别与智能系统] 070602[理学-大气物理学与大气环境] 0706[理学-大气科学] 0811[工学-控制科学与工程] 

主      题：深度学习 空气质量预测 时空数据挖掘 图神经网络 预训练 

摘      要：随着人类社会生产活动对环境的影响日益显著,大气污染问题愈加突出。然而,由于气象作用的复杂性,精准的污染物浓度预测仍面临巨大挑战。同时,大数据技术与深度学习理论的发展为此问题提供了新的解决思路。目前,空气质量预测任务通常从两个角度建模:基于大气机理以及基于数据驱动。前者通过物理化学反应模拟来分析污染物的生成和转化机理,但需要大量的领域知识且短期预测精度不高。后者仅通过构建历史观测与未来预测的外推关系从而有着更高的计算效率,但解释性差且长期性能下降。因此,本文着眼于结合两者的互补特性,围绕动态图构建以及长期依赖性建模,探索空气质量预测的新思路。首先,本文通过对研究现状的梳理引出了亟待解决的问题,并明确了技术路线:即融合大气机理与数据驱动的优势,实现动态图结构下的空气质量预测,并探究预训练方法在长期预测中的提升效果。此外,通过介绍本文建模所需的相关理论,以及分析空气质量数据的复杂时空依赖特性,为之后的模型构建提供必要的理论依据及数据支持。其次,针对上述问题与挑战,本文设计了一个对比学习嵌入的动态图卷积网络(DGNCE)。对于给定输入的时空观测序列,网络采用自适应生成图的方式来模拟不同站点之间的动态时空依赖关系,并将这种动态拓扑结构嵌入到序列神经网络的不同递归单元中。同时,长期预测结果是融合了额外的对比嵌入信息产生的,通过对比式自监督的预训练方式,模型能有效地从非常长期的历史观测序列中学习周期性表示,并整合大气机理模型的依赖信息。同时,本文在两个污染物数据集上的实验结果表明,模型在稳定性和准确度上优于其他方法。最后,为了进一步提高预测效果,本文提出一个使用互补掩码的双源时间序列预测框架(DCMAE),用于增强序列表示。首先,模型以互补的方式掩盖大气机理和历史观测的双源数据,然后强制模型仅依赖少部分可见数据重建观测值的低阶和高阶时间特征。这种预训练设计使模型能够发现双源异构数据的深层依赖,从而更好的指导下游预测任务。在下游训练阶段,DCMAE引入了多头注意力动态图生成器以捕捉大气污染物的时空演变模式,动态图以及增强的序列表示进一步提高了长期预测的准确性。实验结果表明,本文所提出的方法在不同的预测时间范围内相较于近期的基准方法表现优异,尤其是在长期预测任务方面具有领先的优势。