动态时序融合图神经网络在空气质量时空推断中的创新应用

《Engineering Applications of Artificial Intelligence》：Dynamic temporal fusion graph neural network for spatio-temporal air quality inference

本文提出动态时序融合图神经网络（DTFGNN），通过长短时序融合模块（GRU+S4D）捕获多尺度时间依赖性，结合动态邻接构造器动态学习全网空间关联，在Beijing和London数据集上实现RMSE最高降低11%，为无监测站区域的PM2.5/PM10/NO2浓度精准推断提供新范式。

　　

【Highlight】

我们的研究亮点在于首次将结构化状态空间序列模型（S4D）融入时空图推断框架，通过动态邻接构造器突破传统交叉图局限，显著提升污染物浓度推断精度。

【结构化状态空间序列模型（S4）】

状态空间模型（SSMs）堪称多学科领域的"万能公式"，其经典线性表述为：

?(t) = Ax(t) + Bu(t)

y(t) = Cx(t) + Du(t)

其中x是状态向量，u是控制变量。S4模型作为SSMs的新锐代表，在长序列建模中表现惊艳，就像给时间序列装上了"超长焦镜头"。

【问题定义】

我们的任务是为没有监测站的任意位置估算空气质量指数（AQI）。设监测站位置l_o∈R^N_o×2，目标位置l_u∈R^N_u×2，两者数量可随时间动态变化。输入数据包括风向、风速等气象变量，就像为城市呼吸系统做"全息CT扫描"。

【方法论】

我们采用"时间优先-图网络随后"（time-then-graph）架构，该方案被证明具有更强的表达能力和更优性能。如图2a所示，动态邻接构造器率先登场，它像"智能蜘蛛"般编织节点间的空间关系网。

【数据集描述】

我们在两个真实时空数据集上验证方法：

• 北京数据集：包含35个监测站的AQI数据，重点推断PM_2.5、PM₁₀和NO₂三项关键污染物，堪称"雾霾追踪实战沙盘"。

【整体性能】

如表2所示，传统方法（KNN/IDW/RF）在神经网络模型面前相形见绌。我们的DTFGNN在PM_2.5等指标上全面领先，尤其在高污染时段展现"危机预警尖兵"的潜力。

【讨论与实用意义】

DTFGNN实现11%的RMSE降低意义重大：PM_2.5作为"健康隐形杀手"，其精准推断对呼吸系统疾病防控至关重要。在监测站稀疏的快速发展地区，该模型堪比"公共卫生哨兵系统"。

【局限性与未来工作】

虽然DTFGNN在城市场景表现出色，但扩展到区域规模时可能面临算力挑战。未来可探索模型轻量化设计，让"空气质量数字孪生"覆盖更广袤的地域。

【结论】

本工作通过时空双维度创新融合，成功构建了能精准捕捉污染物传播规律的推断系统。两项城市场景的实验证明，DTFGNN不仅是算法突破，更是"环境健康管理的智能基础设施"。