АБААНЫН БУЛГАНЫШЫН МЕЙКИНДИК-УБАКЫТ БОЮНЧА БОЛЖОЛДОО ҮЧҮН ГРАФТЫК НЕЙРОНДУК ТАРМАКТАРДЫН ӨЗГӨЧӨЛҮКТӨРҮ ЖАНА САЛЫШТЫРМАЛУУ ТАЛДООСУ

Авторлор

З.М. Абубакерова Кыргыз Республикасынын Улуттук илимдер академиясынын Машина таануу, автоматика жана геомеханика институту

##semicolon##

CNN##common.commaListSeparator## GNN##common.commaListSeparator## аба сапатын болжолдоо##common.commaListSeparator## мейкиндик-убакыт маалыматтары##common.commaListSeparator## көңүл механизми

Аннотация

Макалада абанын сапатын болжолдоо үчүн колдонулган заманбап мейкиндик-убакыттык графтык жана гибриддик нейрондук тармактарга обзор берилет. Каралган моделдер мониторинг станциялары менен метеорологиялык факторлордун ортосундагы татаал неевклиддик байланыштарды эске алуу менен прогноздун тактыгын жогорулатууга багытталган. Өзгөчө көңүл механистикалык моделдерге негизделген динамикалык графтарды түзүүгө, «регион-станция» көп деңгээлдүү архитектураларына, адаптивдүү көңүл механизмдерине жана сигналды декомпозициялоо менен гибриддештирүүгө бурулган. Талдоо көрсөткөндөй, бул ыкмалар салттуу методдорго караганда жогору натыйжаларды берип, узак мөөнөттүү прогноздоонун туруктуулугун жана тактыгын камсыздайт.

##submission.citations##

Li P., Zhang T., Jin Y. A Spatio-Temporal Graph Convolutional Network for Air Quality Prediction // Sustainability. - 2023. - Vol. 15. No. 9. - Art. 7624. - DOI: 10.3390/su15097624.

Лыченко, Н. М. Модели прогноза качества воздуха на основе методов машинного обучения с учетом временных и пространственных зависимостей / Н. М. Лыченко // Проблемы автоматики и управления. – 2024. – № 3(51). – С. 136 –145. – EDN PJSEPL.

Devasekhar V., Natarajan P. Prediction of Air Quality and Pollution using Statistical Methods and Machine Learning Techniques // International Journal of Advanced Computer Science and Applications. - 2023. - Vol. 14. - No. 4.

Лыченко, Н. М. ПРИМЕНЕНИЕ LSTM-нейронных сетей ДЛЯ КЛАССИФИКАЦИИ индекса качества воздуха Г. БИШКЕК / Н. М. Лыченко, А. В. Сороковая // Проблемы автоматики и управления. – 2020. – № 1(38). – С. 70–80. – DOI 10.5281/zenodo.3904130. – EDN QQZNFI.

Li D., Yu H., Geng Y.-a., Li X., Li Q. DDGNet: A dual-stage dynamic spatio-temporal graph network for PM2.5 forecasting // В сб.: 2021 IEEE International Conference on Big Data (Big Data). - Piscataway, NJ: IEEE, 2021. - С. 1679-1685. - DOI: 10.1109/BigData52589.2021.9671941

Bai S., Kolter J. Z., Koltun V. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling [Электронный ресурс]. - arXiv:1803.01271, 2018. - Режим доступа: https://arxiv.org/pdf/1803.01271 (дата обращения: 14.09.2025).

Bahdanau D., Cho K., Bengio Y. Neural Machine Translation by Jointly Learning to Align and Translate // В сб.: International Conference on Learning Representations (ICLR). – 2015. – Режим доступа: https://arxiv.org/abs/1409.0473 (дата обращения: 8.11.2025).

Veličković P., Cucurull G., Casanova A., Romero A., Liò P., Bengio Y. Graph Attention Networks // В сб.: International Conference on Learning Representations (ICLR). – 2018. – Режим доступа: https://arxiv.org/abs/1710.10903 (Дата обращения: 8.11.2025).

Iskandaryan D., Ramos F., Trilles S. Graph Neural Network for Air Quality Prediction: A Case Study in Madrid // IEEE Access. - 2023. - Vol. 11. - P. 2730-2742. - DOI: 10.1109/ACCESS.2023.3234214.

Liu H., Han Q., Sun H., Sheng J., Yang Z. Spatiotemporal adaptive attention graph convolution network for city-level air quality prediction // Scientific Reports. - 2023. - Vol. 13. - Art. 13335. - DOI: 10.1038/s41598-023-39286-0.

Kim D.-Y., Jin D.-Y., Suk H.-I. Spatiotemporal graph neural networks for predicting mid-to-long-term PM2.5 concentrations // Journal of Cleaner Production. - 2023. - Vol. 425. - Art. 138880. - DOI: 10.1016/j.jclepro.2023.138880.

Liao H., Yuan L., Wu M. A spatiotemporal graph neural network with multi granularity for air quality prediction [Электронный ресурс]. - Режим доступа: paper2.pdf (дата обращения: 17.09.2025).

Wang X., Zhang S., Chen Y., He L., Ren Y., Zhang Z., Li J., Zhang S. Air quality forecasting using a spatiotemporal hybrid deep learning model based on VMD-GAT-BiLSTM // Scientific Reports. - 2024. - Vol. 14. - Art. 17841. - DOI: 10.1038/s41598-024-68874-x.