基于图谱的物理模型辅助城市PM2.5空气质量估算方法：以受限监测数据为依据

《ACM Transactions on Sensor Networks》：Graph-Based Physics-Guided Urban PM2.5 Air Quality Imputation with Constrained Monitoring Data

提出基于图神经网络和物理指导的GraPhy框架，用于提升城市空气质量建模精度。通过设计特定于低分辨率监测数据的图层和边特征，GraPhy在加州社会经济弱势地区实验中显著优于基线模型，MSE、MAE和R2值分别提升9%-56%，并有效适应不同空间异质性水平。

　　

摘要

本研究介绍了基于图论、并遵循物理原理的学习框架 GraPhy，该框架适用于监测数据有限的城市地区，能够实现高分辨率和精确的空气质量建模。精细的空气质量监测信息对于减少公众接触污染物至关重要。然而，在社会经济条件较差的地区，监测网络往往较为稀疏，这限制了空气质量建模的准确性和分辨率。为了解决这一问题，我们提出了一种基于物理原理的图神经网络架构 GraPhy，其层结构和边特征是专门为低分辨率监测数据设计的。使用加利福尼亚州社会经济条件较差的圣华金谷地区的数据进行的实验表明，GraPhy 在均方误差（MSE）、平均绝对误差（MAE）和 R 方值（R2）等评估指标上表现最佳，相比各种基线模型，性能提升了 9% 至 56%。此外，GraPhy 在不同空间异质性水平下均表现出优于基线模型的能力，证明了我们模型设计的有效性。