NeuroDDAF: Neural Dynamic Diffusion-Advection Fields with Evidential Fusion for Air Quality Forecasting

📄 arXiv: 2604.01175v1 📥 PDF

作者: Prasanjit Dey, Soumyabrata Dev, Angela Meyer, Bianca Schoen-Phelan

分类: cs.LG

发布日期: 2026-04-01

备注: This manuscript is under review

💡 一句话要点

NeuroDDAF：融合证据的神经动态扩散-平流场，用于空气质量预测

🎯 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: 空气质量预测 神经动态扩散-平流场 物理信息神经网络 证据融合 时空预测

📋 核心要点

  1. 现有空气质量预测方法在计算成本、鲁棒性和不确定性量化方面存在不足，难以兼顾物理可解释性和数据驱动的准确性。
  2. NeuroDDAF融合神经表征学习与开放系统传输建模，利用物理信息驱动的框架提升预测精度和不确定性校准。
  3. 实验结果表明，NeuroDDAF在多个城市数据集上显著优于现有方法，尤其在长期预测和跨城市泛化方面表现突出。

📝 摘要（中文）

精确的空气质量预测对于保护公众健康和指导环境政策至关重要，但由于非线性的时空动态、风驱动的传输以及跨区域的分布偏移，这仍然具有挑战性。基于物理的模型具有可解释性，但计算成本高昂，并且通常依赖于限制性假设，而纯粹的数据驱动模型可能准确，但可能缺乏鲁棒性和校准的不确定性。为了解决这些限制，我们提出了神经动态扩散-平流场（NeuroDDAF），这是一个物理信息驱动的预测框架，它将神经表征学习与开放系统传输建模相结合。NeuroDDAF集成了（i）GRU-图注意力编码器，以捕获时间动态和风感知的空间交互，（ii）具有可学习残差的傅里叶域扩散-平流模块，（iii）风调制的潜在神经ODE，用于在时变连接下对连续时间演化进行建模，以及（iv）证据融合机制，该机制自适应地组合物理引导和神经预测，同时量化不确定性。在北京、深圳、天津和安科纳四个城市数据集上进行的1-3天预测实验表明，NeuroDDAF始终优于强大的基线模型，包括AirPhyNet，在长期预测中RMSE降低高达9.7%，MAE降低高达9.4%。在北京数据集上，NeuroDDAF在1天预测中达到41.63 $μ$g/m$^3$的RMSE，在3天预测中达到48.88 $μ$g/m$^3$，代表了所有比较方法中的最佳性能。此外，NeuroDDAF提高了跨城市泛化能力，并产生了良好校准的不确定性估计，这已通过集成方差分析和不同风况下的案例研究得到证实。

🔬 方法详解

问题定义：论文旨在解决空气质量预测问题，现有方法如纯物理模型计算成本高，依赖强假设；纯数据驱动模型缺乏鲁棒性和可信的不确定性估计，难以应对复杂的时空动态和分布偏移。

核心思路：论文的核心思路是将物理信息融入到神经网络模型中，利用神经表征学习建模复杂时空动态，同时结合扩散-平流方程描述污染物传输过程，并使用证据融合机制自适应地结合物理引导和神经预测结果，从而提高预测精度和不确定性量化能力。

技术框架：NeuroDDAF框架包含四个主要模块：(1) GRU-图注意力编码器：捕获时间动态和风感知的空间交互。(2) 傅里叶域扩散-平流模块：利用可学习残差模拟污染物扩散和平流过程。(3) 风调制的潜在神经ODE：建模连续时间演化，考虑时变连接的影响。(4) 证据融合机制：自适应融合物理引导和神经预测，量化预测不确定性。

关键创新：NeuroDDAF的关键创新在于：(1) 提出了一种神经动态扩散-平流场，将神经表征学习与物理模型相结合，克服了传统方法的局限性。(2) 引入了证据融合机制，能够自适应地结合不同来源的预测结果，并量化预测的不确定性。(3) 利用风调制潜在神经ODE建模连续时间演化，更准确地捕捉了风对污染物传输的影响。

关键设计：GRU-图注意力编码器使用GRU捕获时间依赖，图注意力机制建模空间交互，并考虑风的影响。傅里叶域扩散-平流模块在傅里叶域进行计算，降低计算复杂度。证据融合机制基于Dempster-Shafer证据理论，自适应地分配不同预测结果的权重。损失函数包括预测误差和不确定性校准损失。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

NeuroDDAF在四个城市数据集上进行了实验，结果表明其性能优于AirPhyNet等基线模型。例如，在北京数据集上，NeuroDDAF在1天预测中RMSE为41.63 $μ$g/m$^3$，在3天预测中RMSE为48.88 $μ$g/m$^3$，是所有比较方法中的最佳性能。此外，NeuroDDAF在长期预测中RMSE降低高达9.7%，MAE降低高达9.4%，并提高了跨城市泛化能力和不确定性校准。

🎯 应用场景

NeuroDDAF可应用于城市空气质量实时预测、污染源解析、环境政策评估和公共健康预警等领域。该研究有助于提升空气质量预测的准确性和可靠性，为政府决策和公众健康提供科学依据，并可推广到其他环境预测问题，例如水质预测和气候变化模拟。

📄 摘要（原文）

Accurate air quality forecasting is crucial for protecting public health and guiding environmental policy, yet it remains challenging due to nonlinear spatiotemporal dynamics, wind-driven transport, and distribution shifts across regions. Physics-based models are interpretable but computationally expensive and often rely on restrictive assumptions, whereas purely data-driven models can be accurate but may lack robustness and calibrated uncertainty. To address these limitations, we propose Neural Dynamic Diffusion-Advection Fields (NeuroDDAF), a physics-informed forecasting framework that unifies neural representation learning with open-system transport modeling. NeuroDDAF integrates (i) a GRU-Graph Attention encoder to capture temporal dynamics and wind-aware spatial interactions, (ii) a Fourier-domain diffusion-advection module with learnable residuals, (iii) a wind-modulated latent Neural ODE to model continuous-time evolution under time-varying connectivity, and (iv) an evidential fusion mechanism that adaptively combines physics-guided and neural forecasts while quantifying uncertainty. Experiments on four urban datasets (Beijing, Shenzhen, Tianjin, and Ancona) across 1-3 day horizons show that NeuroDDAF consistently outperforms strong baselines, including AirPhyNet, achieving up to 9.7% reduction in RMSE and 9.4% reduction in MAE on long-term forecasts. On the Beijing dataset, NeuroDDAF attains an RMSE of 41.63 $μ$g/m$^3$ for 1-day prediction and 48.88 $μ$g/m$^3$ for 3-day prediction, representing the best performance among all compared methods. In addition, NeuroDDAF improves cross-city generalization and yields well-calibrated uncertainty estimates, as confirmed by ensemble variance analysis and case studies under varying wind conditions.