HighAir: Ein hierarchischer graphenbasierter neuronaler Netzwerk-Ansatz zur Luftqualitätsvorhersage

Die präzise Vorhersage der Luftqualität ist entscheidend, um die allgemeine Bevölkerung vor Lungen- und Herzkrankheiten zu schützen. Dies stellt eine herausfordernde Aufgabe dar, da die komplexen Wechselwirkungen zwischen unterschiedlichen Schadstoffquellen und zahlreichen weiteren Einflussfaktoren bestehen. Bestehende Methoden zur Luftqualitätsvorhersage können die Diffusionsprozesse von Luftschadstoffen zwischen Städten und Messstationen nicht effektiv modellieren, was zu plötzlichen Verschlechterungen der Luftqualität in bestimmten Regionen führen kann. In diesem Artikel stellen wir HighAir vor, eine hierarchische graphenbasierte neuronale Netzwerk-Methode zur Luftqualitätsvorhersage, die eine Encoder-Decoder-Architektur verwendet und komplexe Einflussfaktoren wie Wetterbedingungen und Landnutzung berücksichtigt. Konkret konstruieren wir von einer hierarchischen Perspektive ausgehend einen Städte-Graphen und stationsspezifische Graphen, um jeweils städtische und stationsspezifische Muster erfassen zu können. Wir entwickeln zwei Strategien, nämlich „Upper Delivery“ und „Lower Updating“, um die Interaktionen zwischen den Ebenen zu realisieren, und führen einen Nachrichtenaustauschmechanismus (message passing) zur Modellierung der intra-ebenmäßigen Interaktionen ein. Die Kanten-Gewichte werden dynamisch anhand der Windrichtung angepasst, um die Korrelationen zwischen dynamischen Faktoren und der Luftqualität zu modellieren. Wir vergleichen HighAir mit aktuellen State-of-the-Art-Methoden anhand des Datensatzes der Stadtgruppe im Einzugsgebiet des Jangtse-Kiang, der 10 Großstädte innerhalb einer Fläche von 61.500 km² umfasst. Die experimentellen Ergebnisse zeigen, dass HighAir signifikant besser abschneidet als die anderen Methoden.