[论文解读] NEXUS: A compact neural architecture for high-resolution spatiotemporal air quality forecasting in Delhi National Capital Region

Rampunit Kumar, Aditya Maheshwari|arXiv (Cornell University)|Feb 23, 2026

Air Quality Monitoring and Forecasting被引用 0

一句话总结

NEXUS 是一个紧凑的神经网络架构，用于 Delhi NCR 的高分辨率时空预测 CO、NO 和 SO2，在参数更少的情况下实现领先的准确性ak。

ABSTRACT

Urban air pollution in megacities poses critical public health challenges, particularly in Delhi National Capital Region (NCR) where severe degradation affects millions. We present NEXUS (Neural Extraction and Unified Spatiotemporal) architecture for forecasting carbon monoxide, nitrogen oxide, and sulfur dioxide. Working with four years (2018--2021) of atmospheric data across sixteen spatial grids, NEXUS achieves R$^2$ exceeding 0.94 for CO, 0.91 for NO, and 0.95 for SO$_2$ using merely 18,748 parameters -- substantially fewer than SCINet (35,552), Autoformer (68,704), and FEDformer (298,080). The architecture integrates patch embedding, low-rank projections, and adaptive fusion mechanisms to decode complex atmospheric chemistry patterns. Our investigation uncovers distinct diurnal rhythms and pronounced seasonal variations, with winter months experiencing severe pollution episodes driven by temperature inversions and agricultural biomass burning. Analysis identifies critical meteorological thresholds, quantifies wind field impacts on pollutant dispersion, and maps spatial heterogeneity across the region. Extensive ablation experiments demonstrate each architectural component's role. NEXUS delivers superior predictive performance with remarkable computational efficiency, enabling real-time deployment for air quality monitoring systems.

研究动机与目标

• 在密集大城市实现准确、实时的空气质量预测并解决效率、联合时空建模和可解释性方面的空白。
• 开发一个紧凑的神经架构，联合预测 CO、NO 和 SO2，同时利用气象要素和污染物之间的相关性。
• 在商品硬件上展示参数效率和实时推理能力，在具有挑战性的城市环境中实现。

提出的方法

• 通过 Patch embedding 缩短时间序列长度。
• 低秩投影以学习紧凑的潜在表示。
• NanoBlock，具有平行路径（CompactKernel、MicroConv、FusionGate），用于多尺度时空特征提取。
• 带输入条件权重的自适应融合，以组合各路径输出。
• 通过对监测点学习的注意力实现加权空间池化。
• 单头预测头将池化特征映射到三个污染物。

实验结果

研究问题

• RQ1 紧凑的神经架构是否能够在密集城市环境中以高精度联合预测多种污染物？
• RQ2 在不牺牲空气质量预测性能的前提下，参数数量可降低到多少？
• RQ3 Patch-based embedding、低秩投影与并行 NanoBlock 路径对时空建模质量的影响？
• RQ4 气象条件如何影响污染物扩散和 Delhi NCR 的模型性能？

主要发现

• NEXUS 在 CO、NO、SO2 上分别达到 R2=0.9404、0.9140、0.9521。
• NEXUS 仅使用 18,748 个参数，显著低于 SCINet、Autoformer 和 FEDformer。
• NEXUS 的平均 R2 (0.9355) 更高，RMSE/MAE 更低，且训练与推理速度更快。
• Patch embedding 和低秩投影对性能与效率贡献最大。
• 两层叠加的 NanoBlock 配合自适应融合，相较单路径或串联设计具有更强的鲁棒性。
• 在 GPU 上的推理速度为每样本 0.8 ms，是 FEDformer 的六倍。