HighAir：一种基于分层图神经网络的空气质量预测方法

准确预测空气质量对于保护公众免受肺部和心脏疾病的影响至关重要。由于不同污染源之间以及多种其他影响因素之间的复杂相互作用，这一任务极具挑战性。现有的空气质量预测方法难以有效建模城市与监测站点之间空气污染物的扩散过程，而这些过程可能突然导致某一区域空气质量急剧恶化。本文提出HighAir——一种基于分层图神经网络的空气质量预测方法，采用编码器-解码器架构，并综合考虑了多种复杂的影响因素，如气象条件和土地利用情况。具体而言，我们从分层视角构建了城市级图与站点级图，分别捕捉城市层面和站点层面的模式特征。为此，设计了“上层传递”与“下层更新”两种策略以实现跨层级交互，同时引入消息传递机制以实现层内交互。此外，通过根据风向动态调整边权重，有效建模了动态因素与空气质量之间的关联关系。我们在长江三角洲城市群（覆盖61,500平方公里内的10个主要城市）的数据集上，将HighAir与当前最先进的空气质量预测方法进行对比。实验结果表明，HighAir在预测性能上显著优于其他方法。