Spatiotemporal Causal Decoupling Model for Air Quality Forecasting

要約

大気汚染が人間の健康、生計、経済発展に大きな影響を与えるため、大気質予測は最も重要です。
当初、因果グラフ法を採用して、大気質指数（AQI）と気象の特徴の間の因果関係を包括的にモデル化する既存の研究の制約を精査します。
予測精度を高めるために、因果分離アプローチを組み込んだ新しい大気質予測モデルであるエアケードを導入します。
Aircadeは、AQIの内部ダイナミクスをキャプチャするために、知識の埋め込み手法と組み合わせて、時空間モジュールを活用します。
その後、過去のAQIおよび気象特徴からの同期因果性を解くために、因果的なデカップリングモジュールが提案され、その後、パフォーマンスを向上させるための将来の時間ステップに獲得した知識を普及させます。
さらに、将来の気象特徴の不確実性を明示的に表すために、因果介入メカニズムを導入し、それによってモデルの堅牢性を強化します。
オープンソースの大気質データセットでのエアケードの評価は、最先端のモデルよりも20以上の相対的な改善を示しています。

要約(オリジナル)

Due to the profound impact of air pollution on human health, livelihoods, and economic development, air quality forecasting is of paramount significance. Initially, we employ the causal graph method to scrutinize the constraints of existing research in comprehensively modeling the causal relationships between the air quality index (AQI) and meteorological features. In order to enhance prediction accuracy, we introduce a novel air quality forecasting model, AirCade, which incorporates a causal decoupling approach. AirCade leverages a spatiotemporal module in conjunction with knowledge embedding techniques to capture the internal dynamics of AQI. Subsequently, a causal decoupling module is proposed to disentangle synchronous causality from past AQI and meteorological features, followed by the dissemination of acquired knowledge to future time steps to enhance performance. Additionally, we introduce a causal intervention mechanism to explicitly represent the uncertainty of future meteorological features, thereby bolstering the model’s robustness. Our evaluation of AirCade on an open-source air quality dataset demonstrates over 20\% relative improvement over state-of-the-art models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google