【论文标题】Joint Air Quality and Weather Prediction Based on Multi-Adversarial Spatiotemporal Networks 【作者团队】Jindong Han, Hao Liu, Hengshu Zhu, Hui Xiong, Dejing Dou 【发表时间】2020/12/30 【机 构】百度研究中心&美国罗格斯大学 【论文链接】https://arxiv.org/pdf/2012.15037.pdf

【推荐理由】本文出自百度研究中心及美国罗格斯大学，针对目前空气质量和天气预报没有进行有效结合的问题，本文提出了多对抗性时空递归图神经网络（MasterGNN），用于联合空气质量和天气预报，最终在空气质量和天气预报方面均达到最佳性能。

在这项工作中，作者团队通过明确建模两个预测任务之间的相关性和相互作用来研究空气质量和天气状况的联合预测。但是，实现这一目标面临两个主要挑战。（1）观测异质性，地理分布的空气质量和气象站是异质的空间物体，仅监测不同的大气条件；（2）复合观察误差。实际上，由于采样器误差和环境干扰，监测站报告的观测值通常不确定性较高。为了解决以上问题，作者团队提出了多对抗性时空递归图神经网络（MasterGNN），以实现可靠的空气质量和天气联合预报。 具体而言，首先设计了一个异构的递归图神经网络，以同时结合基于动态城市上下文因素（例如POI分布，交通）的异构站点之间的空间和时间自相关。然后，提出了一个多对抗性学习框架，从微观和宏观两个角度来降低不确定性。通过主动模拟扰动并使目标观测值与假观测值之间的差异最大化，多个鉴别器可动态调整空气质量和气象站表示，以消减不确定性。此外，引入了多任务自适应训练策略来提高联合预测性能，。最后，作者团队在从北京和上海收集的两个真实数据集上进行了广泛的实验，所提出的模型始终优于七个基准，取得较好效果。

下图为MasterGNN框架图。

内容中包含的图片若涉及版权问题，请及时与我们联系删除