【论文标题】HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method 【作者团队】Jiahui Xu，Ling Chen，Mingqi Lv，Chaoqun Zhan，Sanjian Chen，Jian Chang 【发表时间】2020/12/28 【机构】浙江大学、浙江工业大学、阿里巴巴集团 【论文链接】https://arxiv.org/ftp/arxiv/papers/2101/2101.04264.pdf

【推荐理由】 本文来自浙江大学、浙江工业大学、阿里巴巴集团联合团队，作者基于层次图神经网络，考虑了城市级别和站点级别的两级图结构，设计了向上传递策略和向下更新策略来实现层间交互，并引入消息传递机制来实现层内交互，效果 SOTA。

为了保护公众免受肺病和心脏疾病的危害，我们需要更加准确地预测空气质量。由于不同的污染源与各种影响因素之间存在着复杂的相互作用，这是一项具有挑战性的任务。现有的空气质量预测方法不能有效地对空气污染物在城市和监测站点之间的扩散过程进行建模，这可能会导致区域空气质量突然恶化。在本文中，作者提出了一种基于层次图神经网络的空气质量预测方法——HighAir。该方法采用编码器-解码器结构，并考虑了天气和土地利用等复杂的对空气质量有影响的因素。具体而言，作者从层次化的角度构建了城市级别的图和站点级别的图，从而分别考虑了城市级和站点级的模式。本文作者设计了向上传递策略和向下更新策略来实现层间交互，并引入消息传递机制来实现层内交互。作者根据风向动态调整边的权重，从而对动态因子与空气质量之间的相关性进行建模。在长三角城市群数据集（Yangtze River Delta city group，该数据集覆盖了 61,500 平方公里范围内的 10 个主要城市）上，作者将 HighAir 与目前最先进的空气质量预测方法进行了比较。实验结果表明，该方法的性能明显优于其他方法。

图 1：HighAir 架构示意图
本文的主要贡献如下： （1）提出了 HighAir，从层次化的视角构建了城市级的图和站点级的图，从而利用层次图神经网络进行空气质量预测。 （2）设计了向上传递和向下更新策略将相邻城市的历史空气质量信息引入到站点级图中，从而实现不同城市中监测站点之间的消息传递。 （3）设计了一种边权重更新方法，可以根据风向动态调整边的权重，从而对动态因子和空气质量之间的相关性进行建模。

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