Deep Distributed Fusion Network for Air Quality Prediction
摘要:基于对大气污染的领域知识,提出了一种基于深度神经网络(DNN)的方法(Deep-air),该方法由空间变换组件和深度分布式融合网络组成。考虑到大气污染物的空间相关性,组件将空间稀疏的空气质量数据转换为一致的输入,以模拟污染物源。后一种网络采用神经分布式结构,融合城市异质数据,同时捕捉影响空气质量的因素,如气象条件。该系统预测300+城市的48小时天气情况。
空气质量预测的主要问题:
多种影响因子、影响因子的相互关系复杂、一些因素引起的突变。
模型结构
组件将空气污染检测站点的PM2.5读数当作间接污染源(second-hand pollutant sources),通过空间插值、聚集和发散的方法把空间稀疏的输入转化为一种固定的输入(AQI)。之后将AQI和其他的影响因子如气象因素、天气预报等等合并成为城市融合数据。降维以得到因素之间的相互关系,使用embedding of AQI来模拟当地排放和区域运输的直接因素,其余数据集的embedding作为间接因素。四个子网络用于计算historical weather(HW)、weather forecast(WF)、secondary productions(SP)以及meta properties from time and terrain(MP)对直接因素的影响关系。除此之外使用另一个子网络(HI)来模拟所有因素的历史影响。五个子网络共同作用,赋予不同的权重得到最后的结果。