СРАВНИТЕЛЬНЫЙ АНАЛИЗ И ОСОБЕННОСТИ ГРАФОВЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОСТРАНСТВЕННО-ВРЕМЕННОГО ПРОГНОЗИРОВАНИЯ ЗАГРЯЗНЕНИЯ ВОЗДУХА

Авторы

З.М. Абубакерова Институт машиноведения, автоматики и геомеханики НАН КР

Ключевые слова:

сверточные нейронные сети (CNN), графовые нейронные сети (GNN), прогнозирование качества воздуха, пространственно-временные данные, механизм внимания (attention mechanism)

Аннотация

В статье представлен обзор современных пространственно-временных графовых и гибридных нейронных сетей, применяемых для прогнозирования качества воздуха. Рассмотренные модели направлены на повышение точности прогнозов за счет учета сложных неевклидовых пространственно-временных зависимостей между станциями мониторинга и метеорологических факторов. Особое внимание уделено динамическому построению графов с использованием механистических моделей, многоуровневым архитектурам «регион-станция», адаптивным механизмам внимания, а также гибридизации с декомпозицией сигнала. Проведенный анализ показывает, что эти подходы превосходят традиционные методы, обеспечивая более точное и устойчивое долгосрочное прогнозирование концентраций загрязнителей, включая редкие экстремальные события.

Библиографические ссылки

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.