[论文解读] HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method

Ling Chen, Jiahui Xu+5 more|arXiv (Cornell University)|Jan 12, 2021

Air Quality Monitoring and Forecasting参考文献 35被引用 22

一句话总结

HighAir 提出了一种分层图神经网络用于空气质量预测，通过上层传递和下层更新策略，利用跨层级交互建模城市级和站点级污染模式。它根据风向动态调整边权重，在长江三角洲数据集上优于最先进方法，展现出在捕捉复杂污染物扩散及气象、土地利用等影响因素方面的卓越准确性。

ABSTRACT

Accurately forecasting air quality is critical to protecting general public from lung and heart diseases. This is a challenging task due to the complicated interactions among distinct pollution sources and various other influencing factors. Existing air quality forecasting methods cannot effectively model the diffusion processes of air pollutants between cities and monitoring stations, which may suddenly deteriorate the air quality of a region. In this paper, we propose HighAir, i.e., a hierarchical graph neural network-based air quality forecasting method, which adopts an encoder-decoder architecture and considers complex air quality influencing factors, e.g., weather and land usage. Specifically, we construct a city-level graph and station-level graphs from a hierarchical perspective, which can consider city-level and station-level patterns, respectively. We design two strategies, i.e., upper delivery and lower updating, to implement the inter-level interactions, and introduce message passing mechanism to implement the intra-level interactions. We dynamically adjust edge weights based on wind direction to model the correlations between dynamic factors and air quality. We compare HighAir with the state-of-the-art air quality forecasting methods on the dataset of Yangtze River Delta city group, which covers 10 major cities within 61,500 km2. The experimental results show that HighAir significantly outperforms other methods.

研究动机与目标

• 为解决在城市与监测站点之间存在复杂污染物扩散的区域中，准确预测空气质量的挑战。
• 在空间层级中建模空气污染物、气象条件与土地利用之间的动态交互。
• 通过结构化的分层图神经网络架构，捕捉城市级与站点级模式，提升预测性能。
• 开发一种可适应风向等环境因素变化的消息传递机制。
• 通过整合多层级空间依赖与动态相关性，超越现有方法在预测准确性上的表现。

提出的方法

• HighAir 采用基于分层图结构（包含城市级与站点级子图）的编码器-解码器架构。
• 引入两种跨层级策略：上层传递（将城市级特征聚合至站点）与下层更新（利用站点级输出优化城市级特征）。
• 在每一图层级内部，通过消息传递机制建模节点间的信息传播。
• 图中的边权重根据风向动态调整，以反映污染物在不同位置之间的定向传输。
• 将气象与土地利用等外部因素作为节点特征引入，以增强预测准确性。
• 该框架在长江三角洲地区10座城市的历年空气质量、气象与地理数据上进行端到端训练。

实验结果

研究问题

• RQ1 如何有效利用分层图神经网络建模空气质量预测中的多尺度空间依赖？
• RQ2 基于风向的动态边权重在多大程度上能提升对城市与站点之间污染物传输的建模能力？
• RQ3 与平面或单层图神经网络相比，城市级与站点级图之间的跨层级交互能否显著提升预测性能？
• RQ4 气象与土地利用等外部因素如何影响基于图的空气质量预测模型的预测准确性？
• RQ5 所提出方法是否在真实世界空气质量数据集上超越现有最先进方法？

主要发现

• HighAir 在长江三角洲数据集上显著优于现有最先进空气质量预测方法，对PM2.5及其他污染物浓度的预测精度更高。
• 基于风向的动态边权重集成显著提升了模型对污染物定向传输的捕捉能力，尤其在污染事件期间表现更优。
• 分层设计使模型能够同时学习宏观层面的城市模式与微观层面的站点级变化，增强整体鲁棒性。
• 上层传递与下层更新策略有效促进了城市与站点层级之间的信息流动，提升了特征表示能力。
• 各图层级内部的消息传递机制成功捕捉了局部空间依赖，有助于提升预测性能。
• 在覆盖61,500 km²、包含10座主要城市的实证研究中，HighAir 在多项评估指标上均优于基线模型，表现更优。