Spatio-Temporal Field Neural Networks for Air Quality Inference

要約

大気質推論問題は、限られた数の観測地点からの履歴データを利用して、未知の場所の大気質指数を推論することを目的としています。
ステーションの高額なメンテナンスコストによるデータのまばらさを考慮すると、優れた推論アルゴリズムによりコストを効果的に節約し、データの粒度を高めることができます。
時空間グラフ ニューラル ネットワークはこの問題に関して優れた進歩を遂げていますが、現実の非ユークリッドおよび離散データ構造モデリングにより、その可能性が制限されます。
この研究では、新しいモデルである時空間フィールド ニューラル ネットワークと、それに対応する新しいフレームワークであるピラミッド推論を提案することにより、2 つの異なる時空間の視点、フィールドとグラフを組み合わせる最初の試みを行います。
広範な実験により、私たちのモデルが中国本土の全国的な大気質推論において最先端のパフォーマンスを達成することが検証され、私たちが提案したモデルとフレームワークの優位性が実証されました。

要約(オリジナル)

The air quality inference problem aims to utilize historical data from a limited number of observation sites to infer the air quality index at an unknown location. Considering the sparsity of data due to the high maintenance cost of the stations, good inference algorithms can effectively save the cost and refine the data granularity. While spatio-temporal graph neural networks have made excellent progress on this problem, their non-Euclidean and discrete data structure modeling of reality limits its potential. In this work, we make the first attempt to combine two different spatio-temporal perspectives, fields and graphs, by proposing a new model, Spatio-Temporal Field Neural Network, and its corresponding new framework, Pyramidal Inference. Extensive experiments validate that our model achieves state-of-the-art performance in nationwide air quality inference in the Chinese Mainland, demonstrating the superiority of our proposed model and framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google