基于自适应层级图卷积的多站点空气质量预测模型.pdfVIP

计算机系统应用

ISSN

1003-3254,

CODEN

CSAOBNE-mail:

csa@

Computer

Systems

Applications,2024,33(5):127−135

[doi:

10.15888/ki.csa.009484]

©中国科学院软件研究所版权所有.Tel:

+86-10

基于自适应层级图卷积的多站点空气质量预测

模型①

1,212

张石清,

胡炜,

赵小明

1(浙江理工大学

计算机科学与技术学院,

杭州

310018)

2(台州学院

智能信息处理研究所,

台州

318000)

通信作者:

张石清,

E-mail:

tzczsq@163.com

摘要:

时空预测任务在污染治理、交通、能源、气象等领域应用广泛.

PM浓度预测作为典型的时空预测任务,

2.5

需要对空气质量数据中的时空依赖关系进行分析和利用.

现有时空图神经网络(ST-GNNs)研究所使用的邻接矩阵

使用启发式规则预定义,

无法准确表示站点之间的真实关系.

本文提出了一种自适应分层图卷积神经网络(AHGCNN)

用于PM预测.

首先,

引入了一种分层映射图卷积架构,

在不同层级上使用不同的自学习邻接矩阵,

以有效挖掘不

2.5

同站点之间独特的时空依赖.

其次,

以基于注意力的聚合机制连接上下层邻接矩阵,

加速收敛过程.

最后,

将隐藏的

空间状态与门控循环单元相结合,

形成一个统一的预测架构,

同时捕捉多层次的空间依赖关系和时间依赖关系,

提

供最终的预测结果.

实验中,

我们与7种主流预测模型进行对比,

结果表明该模型可以有效获取空气监测站点之间

的时空依赖,

提高预测精确度.

关键词:

空气质量;

PM;

深度学习;

图卷积;

时空依赖

2.5

引用格式:

张石清,胡炜,赵小明.基于自适应层级图卷积的多站点空气质量预测模型.计算机系统应用,2024,33(5):127–135.

http://www.c-s-

/1003-3254/9484.html

Multi-siteAirQualityForecastingModelUsingAdaptiveHierarchicalGraphConvolution

1,212

ZHANG

Shi-Qing,

HU

Wei,

ZHAO

Xiao-Ming

1(School

of

Computer

Science

and

Technology,

Zhejiang

Sci-tech

University,

Hangzhou

310018,

China)

2(Institute

of

Intelligent

Information

Processing,

Taizhou

University,

Taizhou

318000,

China)

Abstract:

Spatiotemporal

forecasting

finds

extensive

applications

in

domains

such

as

pollution

management,

transportation,

energy,

and

meteorology.

Predicting

PM

concentration,

as

a

quintessential

spatiotemporal

forecasting

2.5