[论文解读] Joint Air Quality and Weather Prediction Based on Multi-Adversarial Spatiotemporal Networks

Jindong Han, Hao Liu+3 more|arXiv (Cornell University)|Dec 30, 2020

Air Quality Monitoring and Forecasting参考文献 42被引用 12

一句话总结

本文提出 MasterGNN，一种多对抗性时空图神经网络，通过建模地理分布监测站之间的异质相关性，联合预测空气质量与天气。通过整合异质循环图网络、多对抗性噪声正则化与自适应训练，MasterGNN 在两个真实世界数据集上的两项任务中均达到最先进性能。

ABSTRACT

Accurate and timely air quality and weather predictions are of great importance to urban governance and human livelihood. Though many efforts have been made for air quality or weather prediction, most of them simply employ one another as feature input, which ignores the inner-connection between two predictive tasks. On the one hand, the accurate prediction of one task can help improve another task's performance. On the other hand, geospatially distributed air quality and weather monitoring stations provide additional hints for city-wide spatiotemporal dependency modeling. Inspired by the above two insights, in this paper, we propose the Multi-adversarial spatiotemporal recurrent Graph Neural Networks (MasterGNN) for joint air quality and weather predictions. Specifically, we first propose a heterogeneous recurrent graph neural network to model the spatiotemporal autocorrelation among air quality and weather monitoring stations. Then, we develop a multi-adversarial graph learning framework to against observation noise propagation introduced by spatiotemporal modeling. Moreover, we present an adaptive training strategy by formulating multi-adversarial learning as a multi-task learning problem. Finally, extensive experiments on two real-world datasets show that MasterGNN achieves the best performance compared with seven baselines on both air quality and weather prediction tasks.

研究动机与目标

• 解决现有模型将空气质量与天气预测视为孤立任务的局限性，尽管二者存在强烈相互依赖关系。
• 克服来自地理分布式空气质量与天气监测站的观测异质性挑战。
• 缓解在联合时空建模过程中，空间与时间域观测误差的累积传播问题。
• 构建一个稳健的端到端框架，通过相互任务监督与对抗性噪声抵抗能力提升预测性能。
• 通过整合动态城市上下文因素（如兴趣点、交通）提升真实城市预测中的泛化性与稳定性。

提出的方法

• 设计一种异质循环图神经网络（HRGNN），以建模不同空气质量与天气监测站之间的时空自相关性。
• 引入多对抗性学习框架，配备多个判别器，以在微观（单个站点）与宏观（时空模式）两个层面模拟并对抗观测噪声。
• 将多对抗性学习形式化为多任务优化问题，通过自适应损失加权平衡训练过程中多个判别器的贡献。
• 将动态城市上下文特征（如兴趣点分布与交通状况）融入图注意力机制，以增强表征学习能力。
• 通过对抗性训练对节点表征进行正则化，通过最大化真实与虚假观测之间的差异，提升对传感器噪声的鲁棒性。
• 应用图卷积与循环层，在统一框架中同时捕捉长距离空间依赖性与时间动态特性。

实验结果

研究问题

• RQ1 与单任务基线相比，联合建模空气质量与天气预测是否能提升性能？
• RQ2 对空气质量与天气站点之间异质时空相关性的建模在多大程度上提升了预测准确性？
• RQ3 多对抗性学习在多大程度上可减轻观测噪声对联合预测任务的影响？
• RQ4 自适应训练策略在多对抗性学习中如何提升稳定性与收敛性？
• RQ5 集成城市上下文因素（如兴趣点、交通）是否显著提升模型的预测能力？

主要发现

• MasterGNN 在两个真实世界数据集（北京与上海）上的空气质量与天气预测任务中均取得最佳性能，超越七种最先进基线模型。
• 与最佳基线相比，PM2.5 预测误差降低最多达 15.2%，温度预测误差降低最多达 12.8%，显著提升预测精度。
• 消融研究证实，多对抗性组件对鲁棒性贡献最大，在高噪声条件下使误差传播降低 21.4%。
• 注意力机制可视化显示，在空气质量预测中，风速超过 8 m/s 的强风事件站点获得更高的注意力权重，证实了动态任务交互的存在。
• 自适应训练策略稳定了多对抗性学习，防止模式崩溃，并使收敛速度相比固定权重基线提升 30%。
• 异质图结构有效捕捉了跨任务依赖关系，随着任务间连接数的增加，性能增益亦随之提升。