Predicting Spatiotemporal Mobile Sensing-Based PM2.5 Concentrations Using Low-Rank Adapted Spatially Attentive Graph Neural Network

📄 arXiv: 2609.04693v1 📥 PDF

作者: Om Chiddarwar, Priyanka Mandal, Praveen Kumar Chandaliya, Shriniwas Arkatkar

分类: cs.AI

发布日期: 2026-09-04

备注: 24 Pages, 14 Figures, World Conference of Transport Research2026 Transport Research

💡 一句话要点

提出SA-GNN以解决城市PM2.5浓度预测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: PM2.5预测 图神经网络 时空建模 空气质量监测 深度学习

📋 核心要点

  1. 现有模型在低分辨率数据上表现良好，但难以捕捉城市空气质量快速变化的模式。
  2. 论文提出SA-GNN，通过集群特定的GRU捕捉局部时间依赖性，并利用图注意力网络学习空间异质性。
  3. SA-GNN在数据集上取得了显著的预测性能，R²达到0.95，优于所有基线模型，提升了实时监测能力。

📝 摘要（中文）

城市空气质量在交通走廊沿线可能显著变化，因此需要高分辨率监测。本研究引入了来自印度古吉拉特邦苏拉特市的新型移动传感数据集，包含PM2.5浓度、气象变量（温度、湿度、风速、风向）和土地利用特征。为将时空数据表示为图，采用了均匀分割和DBSCAN聚类两种节点定义策略。提出的SA-GNN模型用于细粒度、短期PM2.5预测和热点识别，表现优于LSTM、RNN、GRU和ANN等基线模型。SA-GNN在数据集上取得了R²=0.95、RMSE=6.8和MAE=4.2μg/m³的优异表现，显著提升了预测精度，支持实时监测和个性化暴露跟踪。

🔬 方法详解

问题定义：本研究旨在解决城市PM2.5浓度的高分辨率预测问题。现有方法在捕捉快速变化的空气质量模式时存在局限性，尤其是在低分辨率数据上表现不佳。

核心思路：论文提出了一种新的SA-GNN模型，结合了集群特定的GRU和图注意力网络，以有效捕捉时空数据中的局部依赖性和空间异质性，从而提高预测精度。

技术框架：SA-GNN的整体架构包括两个主要模块：一是通过均匀分割和DBSCAN聚类定义节点，二是利用图注意力网络和GRU进行时空特征学习。模型首先对气象变量进行滚动均值和标准差计算，然后进行预测。

关键创新：SA-GNN的核心创新在于结合了集群特定的GRU和图注意力机制，能够更好地捕捉局部时间依赖性和复杂的空间交互，这与传统的LSTM等模型有本质区别。

关键设计：在模型设计中，采用了适应性注意力机制来增强对重要特征的关注，同时在损失函数中考虑了预测精度和稳定性，确保模型在快速变化的环境中依然表现优异。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

SA-GNN在数据集上取得了R²=0.95、RMSE=6.8和MAE=4.2μg/m³的优异性能，显著优于LSTM、RNN、GRU和ANN等基线模型，展示了其在捕捉快速变化模式和复杂空间交互方面的优势。

🎯 应用场景

该研究的成果可广泛应用于城市空气质量监测、环境保护和公共健康领域。通过实时、细粒度的PM2.5预测，能够为政策制定者提供科学依据，帮助城市管理者及时采取措施改善空气质量，降低居民健康风险。未来，SA-GNN模型还可扩展至其他污染物的监测与预测。

📄 摘要（原文）

Urban air quality can vary significantly along transit corridors, necessitating high-resolution monitoring. This work introduces a novel mobile-sensing dataset from Surat, Gujarat, India, comprising PM${2.5}$ concentrations, meteorological variables (temperature, humidity, wind speed, wind direction), and land-use features. To represent the spatiotemporal data as a graph, two node-definition strategies were used: (i) uniform segmentation (200--400~m intervals) and (ii) DBSCAN clustering to adaptively group dense observations. For each node, rolling mean and standard deviation of meteorological variables were computed. To model this high-dimensional data, we propose a SA-GNN for fine-grained, short-term PM${2.5}$ forecasting and hotspot identification. We compared SA-GNN with LSTM, RNN, GRU, and ANN models. These models performed well on low-resolution data but had difficulty capturing rapidly changing patterns in urban air quality. SA-GNN employs cluster-specific GRUs to capture localized temporal dependencies and a Graph Attention Network to learn spatial heterogeneity. This hybrid architecture effectively models rapid fluctuations and complex spatial interactions. On our dataset, SA-GNN achieved $R^2 = 0.95$, RMSE $= 6.8$, and MAE $= 4.2~\si{\micro\gram\per\meter\cubed}$, outperforming all baseline models. Combining spatial clustering with adaptive attention significantly improves forecasting, enabling real-time, fine-grained monitoring and supporting personalized exposure tracking and timely alerts for healthier cities.