Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates

由于最近城市地区污染物排放的环境问题备受关注，空气污染预测已成为全球所有研究人员的重点。在预测污染物浓度时，通常会包括影响这些浓度的环境因素在内，如交通、气象条件和地理信息等。大多数现有方法将此信息作为过去的协变量，即过去的外生变量，它们影响了污染物，但没有受到它的影响。本文提出了一种新的预测方法，通过过去和未来的协变量来预测NO$_2$浓度。未来的协变量由天气预报和未来的日历事件表示，这些事件在预测时已知。特别地，我们处理城市地面监测站网络中的空气质量观测，建立数据结构并使用时空图神经网络（STGNN）估计预测结果。我们提出了一个条件块，将过去和未来的协变量嵌入到当前观测中。在提取有意义的时空表示后，将它们融合在一起，并投射到预测时间段，生成最终预测结果。据我们所知，这是第一次以结构化的方式将未来的协变量包含在时间序列预测中。值得注意的是，我们发现将未来的天气信息作为条件对预测结果的影响比考虑过去的交通状况更大。我们在https://github.com/polimi-ispl/MAGCRN发布了我们的代码实现。

论文旨在通过加入未来的气象预测和日历事件等未来变量，提出一种新的空气污染预测方法，以预测NO2浓度。这种方法是否能够提高空气污染预测的准确性？

论文提出了一种基于空间时间图神经网络（STGNN）的新型空气污染预测方法，该方法可以将过去和未来的协变量嵌入到当前观测中，以提高预测准确性。这是一种结构化的方法，首次将未来变量纳入时间序列预测中。

论文使用了城市范围内的地面监测站的空气质量观测数据，提出了一种嵌入过去和未来协变量的条件块，将这些数据融合在一起，并将其投影到预测时间范围内，以生成最终预测结果。实验结果表明，与考虑过去交通状况相比，考虑未来气象信息对预测结果的影响更大。论文代码已在GitHub上开源。

在最近的研究中，也有一些关于空气污染预测的相关工作，如基于机器学习的方法、基于传统时间序列模型的方法等。其中一些研究包括：“A machine learning approach for air pollution prediction in smart cities”、“A hybrid model based on deep learning and ARIMA for air pollution prediction”等。