NEXUS : A compact neural architecture for high-resolution spatiotemporal air quality forecasting in Delhi Nationa Capital Region

📄 arXiv: 2602.19654v1 📥 PDF

作者: Rampunit Kumar, Aditya Maheshwari

分类: cs.LG, cs.AI

发布日期: 2026-02-23

备注: 18 pages

💡 一句话要点

NEXUS：紧凑型神经网络架构，用于德里国家首都区高分辨率时空空气质量预测

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 空气质量预测 时空预测 神经网络 低秩模型 大气污染

📋 核心要点

  1. 现有空气质量预测模型参数量大，计算成本高，难以部署到资源受限的实时监测系统。
  2. NEXUS架构通过patch embedding、低秩投影和自适应融合机制，有效提取时空特征，降低模型复杂度。
  3. 实验结果表明，NEXUS在保证预测精度的前提下，参数量远小于现有模型，具有更高的计算效率。

📝 摘要（中文）

本文提出了一种名为NEXUS（神经提取和统一时空）的架构，用于预测一氧化碳、氮氧化物和二氧化硫的空气质量。该模型利用德里国家首都区16个空间网格的四年（2018-2021）大气数据进行训练。NEXUS仅使用18,748个参数，在CO、NO和SO$_2$的预测上分别实现了超过0.94、0.91和0.95的R$^2$值，显著优于SCINet（35,552个参数）、Autoformer（68,704个参数）和FEDformer（298,080个参数）。该架构集成了patch embedding、低秩投影和自适应融合机制，以解码复杂的大气化学模式。研究揭示了明显的昼夜节律和显著的季节性变化，冬季由于逆温和农业生物质燃烧导致严重的污染。分析确定了关键的气象阈值，量化了风场对污染物扩散的影响，并绘制了该区域的空间异质性。大量的消融实验证明了每个架构组件的作用。NEXUS以卓越的计算效率提供卓越的预测性能，从而可以实时部署于空气质量监测系统。

🔬 方法详解

问题定义：论文旨在解决城市空气质量预测问题，特别是在德里国家首都区这种污染严重的地区。现有方法，如SCINet、Autoformer和FEDformer，虽然在预测精度上表现良好，但模型参数量巨大，计算成本高昂，难以在资源受限的嵌入式系统或实时监测系统中部署。

核心思路：论文的核心思路是设计一种参数量小、计算效率高的神经网络架构，同时保持较高的预测精度。通过有效的特征提取和融合机制，降低模型的复杂度，使其更易于部署和应用。

技术框架：NEXUS架构主要包含以下几个模块：1) Patch Embedding：将输入数据分割成小的patch，并进行嵌入表示，以减少计算量。2) Low-Rank Projections：使用低秩投影来降低特征维度，进一步减少参数量。3) Adaptive Fusion Mechanisms：采用自适应融合机制，将不同尺度的特征进行融合，以捕捉复杂的大气化学模式。整体流程是：输入时空大气数据 -> Patch Embedding -> Low-Rank Projections -> Adaptive Fusion -> 空气质量预测。

关键创新：NEXUS的关键创新在于其紧凑的架构设计，通过patch embedding和低秩投影显著降低了模型参数量，同时利用自适应融合机制保证了预测精度。与现有方法相比，NEXUS在参数量和计算效率上具有显著优势。

关键设计：NEXUS的关键设计包括：1) Patch大小的选择，需要在计算效率和特征提取能力之间进行权衡。2) 低秩投影的秩的选择，决定了降维的程度。3) 自适应融合机制的具体实现，例如使用注意力机制来动态调整不同特征的权重。论文中可能还涉及损失函数的选择和优化器的设置等细节，但摘要中未明确提及。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

NEXUS在德里国家首都区的空气质量预测任务中表现出色，CO、NO和SO$_2$的R$^2$值分别超过0.94、0.91和0.95。更重要的是，NEXUS仅使用18,748个参数，远小于SCINet（35,552）、Autoformer（68,704）和FEDformer（298,080），在保证预测精度的前提下，显著降低了计算成本。

🎯 应用场景

NEXUS架构可应用于城市空气质量实时监测与预警系统，为政府决策和公众健康提供支持。由于其计算效率高，可以部署在嵌入式设备或移动平台，实现低成本、高精度的空气质量监测。此外，该模型还可以扩展到其他环境监测领域，例如水质预测和噪声污染评估。

📄 摘要（原文）

Urban air pollution in megacities poses critical public health challenges, particularly in Delhi National Capital Region (NCR) where severe degradation affects millions. We present NEXUS (Neural Extraction and Unified Spatiotemporal) architecture for forecasting carbon monoxide, nitrogen oxide, and sulfur dioxide. Working with four years (2018--2021) of atmospheric data across sixteen spatial grids, NEXUS achieves R$^2$ exceeding 0.94 for CO, 0.91 for NO, and 0.95 for SO$_2$ using merely 18,748 parameters -- substantially fewer than SCINet (35,552), Autoformer (68,704), and FEDformer (298,080). The architecture integrates patch embedding, low-rank projections, and adaptive fusion mechanisms to decode complex atmospheric chemistry patterns. Our investigation uncovers distinct diurnal rhythms and pronounced seasonal variations, with winter months experiencing severe pollution episodes driven by temperature inversions and agricultural biomass burning. Analysis identifies critical meteorological thresholds, quantifies wind field impacts on pollutant dispersion, and maps spatial heterogeneity across the region. Extensive ablation experiments demonstrate each architectural component's role. NEXUS delivers superior predictive performance with remarkable computational efficiency, enabling real-time deployment for air quality monitoring systems.