AirPhyNet: 利用物理引导的神经网络进行空气质量预测
内容提要
该文综述了空气质量预测的机器学习方法，包括深度学习、图神经网络和物理引导模型。研究采用CNN与双向LSTM、群组感知图网络及自适应动态图网络等，建模时空与多元相关性，提升PM2.5、NO2等预测精度；结合物理定律与神经网络增强泛化性和科学一致性，并探讨低成本传感器校准问题。
延伸解读
物理引导模型的核心优势
物理引导的神经网络（PGNN）将物理模型模拟输出与观测特征结合，并采用物理基础的损失函数，确保预测在未标记数据上仍与已知物理规律一致。这种混合建模方式不仅降低训练集误差，还提升了泛化能力和科学一致性，为空气质量预测提供了更可靠的框架。
时空建模的技术演进
从CNN与双向LSTM混合框架，到群组感知图神经网络（GAGNN）和自适应动态图网络，空气质量预测逐步强化了对空间依赖与动态因素的建模。这些方法通过构建城市图、群组图或自适应边属性，更精细地捕捉PM2.5等污染物的时空传播规律。
低成本传感器的校准挑战
在经济有限地区，低成本传感器收集的数据存在偏差和不确定性。文章探讨了利用概率机器学习方法，如基于分布或高斯过程的个体传感器校准模型，以提升数据准确性。这为依赖低成本监测网络的空气质量研究提供了重要的数据质量保障思路。
Q&A
空气质量预测中常用的深度学习模型有哪些？
常用的深度学习模型包括卷积神经网络（CNN）与双向LSTM的混合框架、层次图神经网络（如HighAir）、群组感知图神经网络（GAGNN）、动态图神经网络以及物理引导的神经网络（PGNN）等。
物理引导的神经网络（PGNN）是如何工作的？
PGNN将物理模型模拟的输出与观察特征结合，利用神经网络生成预测，并在损失函数中引入物理基础约束，确保预测与已知物理规律一致，从而提高泛化能力和科学一致性。
如何解决低成本传感器在空气质量监测中的校准问题？
可以通过概率机器学习方法，如基于分布或高斯过程的个体传感器校准建模，来减少数据偏差和不确定性，为决策提供更准确的数据支持。
有哪些模型可以预测PM2.5浓度？
例如，基于CNN和双向LSTM的混合框架能够学习时空和多元相关性，并在实际数据集上验证了较高的PM2.5预测准确性。
图神经网络在空气质量预测中有哪些应用？
图神经网络如HighAir采用编码器-解码器结构，动态调整边缘权重建模影响因素；GAGNN通过城市图和群组图建模空间依赖；动态图神经网络使用自适应边属性进行信息传递，这些模型均提升了预测性能。
物理知识与深度学习结合对空气质量预测有什么好处？
结合物理知识可以增强模型的泛化能力和科学一致性，例如DeepPhysiNet框架实现了准确连续的天气系统建模，基于物理知识的深度学习框架能准确预测NO2和NOx浓度并降低估计偏差。
