CausalHMoE-STFNN:一种基于因果关系的两阶段时空模型,用于多污染物空气质量推断

《Environmental Modelling & Software》:CausalHMoE-STFNN: A two-stage causal-inspired spatio-temporal model for multi-pollutant air quality inference

【字体: 大 中 小 】 时间:2026年07月09日 来源:Environmental Modelling & Software 5.2

编辑推荐:

  郝晨|邓佳|王华斌|沈伟|余华鹏中国成都成都大学计算机科学学院摘要实时空气质量监测对于污染控制与公共健康至关重要,但监测站分布稀疏限制了空间覆盖范围。现有的深度学习模型通常只关注单一污染物,无法同时捕捉时空连续性、局部异质性以及因果机制。为解决这一问题,我们提出了CausalHM

  郝晨|邓佳|王华斌|沈伟|余华鹏中国成都成都大学计算机科学学院摘要实时空气质量监测对于污染控制与公共健康至关重要,但监测站分布稀疏限制了空间覆盖范围。现有的深度学习模型通常只关注单一污染物,无法同时捕捉时空连续性、局部异质性以及因果机制。为解决这一问题,我们提出了CausalHMoE-STFNN,这是一种两阶段的多污染物因果推断模型。第一阶段构建了基于混合专家系统的因果编码器(CausalHMoE),其中因果编码器用于建模局部特征与污染物之间的因果关系,而混合专家系统则用于捕捉多污染物间的相互作用,从而实现多任务初步预测。第二阶段采用短期时空场神经网络(STFNN)来建模空气质量的持续变化,并利用第一阶段的输出结果进一步优化推断。在重庆和北京的数据集上进行的实验表明,该模型在大多数污染物和评估指标上的表现均处于最佳或接近最佳水平。与最强的基准模型相比,CausalHMoE-STFNN在重庆和北京数据集上的整体均方根误差分别降低了10.18%和21.86%,整体平均绝对误差则分别降低了13.08%和8.14%,从而证明了其准确性、各组件的有效性以及可解释性。引言城市环境中的空气污染已成为一项严峻的全球性挑战,对人类健康构成严重威胁(Huang等人,2025)。大气污染物,如颗粒物(PM2.5和PM10),已被证实会显著增加患癌症和早死的风险(Nan等人,2023;Hu等人,2023)。根据世界卫生组织的统计,每年约有420万人死于空气污染(世界卫生组织等人,2016)。因此,实时监测空气质量对于污染控制以及保护人类健康和安全具有重要意义。然而,由于建设及维护空气质量监测站的成本高昂,这类监测系统的实施面临着诸多实际困难。例如,建立一个标准的监测站需要大约20万美元的投资,此外每年还需约3万美元的维护费用(Zheng等人,2013)。这些经济限制导致大多数城市的监测站分布十分稀疏。以重庆为例,其主城区面积约为5472平方公里,但目前仅有32个空气质量监测站。这种稀疏的布局使得大部分城区缺乏监测,导致观测到的空气质量数据在空间覆盖上存在较大缺口。解决上述问题的一种有效方法是通过利用现有监测站收集的观测数据,来推断未监测区域的空气质量水平。在过去几十年中,已有大量研究致力于空气质量推断领域(Han等人,2023;Chadalavada等人,2025;Gugnani和Singh,2022;Masood和Ahmad,2021;Subramaniam等人,2022;Abu El-Magd等人,2023)。然而,大多数现有研究主要聚焦于单一污染物的推断,忽视了多种污染物之间往往存在的复杂相互关系和相互作用(Z.Y. Chen等人,2024;Li等人,2024)。此外,空气质量既具有时空连续性(Wang等人,2022;Jin等人,2023),又存在局部异质性(Peng等人,2023;Jin等人,2021)。许多现有方法往往只强调其中一种特性,从而导致推断结果存在偏差,无法同时捕捉全局趋势和细微的局部变化。另外,大多数数据驱动型模型忽略了环境因素与污染物之间的因果关系。仅从数据中学习到的相关性可能无法反映真正的因果机制,进而降低模型的泛化能力、稳定性及可解释性(Xia等人,2023;Ali等人,2024)。这类模型往往对分布变化和异常值较为敏感,限制了其在现实世界中动态变化的城市环境中的应用。为应对这些挑战,本研究提出了一种名为CausalHMoE-STFNN的两阶段多污染物推断框架。在第一阶段,引入了一种基于因果关系的局部建模策略,通过非负特征加权与正则化特征路由来学习针对特定污染物的特征表示。设计了因果编码器来建模局部静态和动态环境特征对污染物浓度的不同影响。随后,采用混合专家系统模块来捕捉多污染物间的依赖关系,从而在统一框架内实现多任务推断。这一阶段基于局部环境特征及多污染物间的相互作用,生成初步的污染物预测结果。第二阶段则从连续的时空场视角进行基于场的时空建模。首先,通过邻域选择策略确定与目标位置最相关的K个监测站。然后构建短期时空场神经网络来建模空气质量的时空演变过程。在该框架中,引入了时空注意力门控机制,以学习目标位置与周边监测站之间的自适应依赖关系。通过将第一阶段的输出结果与时空上下文信息相结合,所提出的框架能够得到更准确且空间上更具一致性的污染物推断结果。尽管该框架采用了受因果关系启发的特征加权与正则化机制,但其并非旨在进行正式的因果识别或反事实推断。相反,这些机制作为结构化的归纳偏见,有助于提升模型相对于纯相关性驱动学习方法的稳健性、稳定性及可解释性。本研究的主要贡献可总结如下:(1)多污染物协同推断。我们将多污染物空气质量推断视为一个多任务学习问题,并引入了混合专家系统框架。共享专家用于捕捉不同污染物之间的共同特征表示,而特定任务的专家则用于建模各类污染物独特的演化规律。这种结构促进了多污染物间的信息交流与特征共享,从而提升了多污染物联合推断的有效性与稳健性。(2)具有因果启发式局部建模的两阶段框架。本研究提出了一种结合局部因果启发式建模与连续时空建模的两阶段框架。在第一阶段,通过正则化特征加权与基于因果关系的表示学习,来了解特定污染物の局部特征效应。在第二阶段,则进一步建模目标位置与监测站之间的时空依赖关系。这种设计同时兼顾了局部异质性与时空连续性,从而提升了推断的准确性及可解释性。(3)构建高质量的多源空气质量数据集。本研究为重庆主城区开发了一个全面的多源空气质量数据集,其中整合了气象特征、地理属性以及排放源特征。该数据集包含32个监测站的观测数据,时间跨度为2022年至2023年,为多污染物建模及基于因果关系的推断研究提供了宝贵的资源。(4)全面的实验评估。在公开发布的北京数据集以及自行构建的重庆数据集上进行了大量实验。实验结果表明,与常见的基准方法相比,所提出的模型具有更优的整体性能。在重庆和北京数据集上的实验显示,该模型在大多数污染物和评估指标上的表现均处于最佳或接近最佳水平。与最强的基准模型STFNN相比,CausalHMoE-STFNN在重庆和北京数据集上的整体均方根误差分别降低了10.18%和21.86%,整体平均绝对误差则分别降低了13.08%和8.14%。这些结果验证了该框架在不同时空场景下的有效性、稳健性及泛化能力。章节节选非深度学习方法传统的空气质量推断长期以来依赖于基于物理学的建模框架,尤其是化学传输模型,如社区多尺度空气质量模型(CMAQ)(Appel等人,2017)、CHIMERE化学传输模型(Mailler等人,2024),以及与化学过程相结合的天气研究与预报模型(WRF-Chem)(Grell等人,2005)。这些化学传输模型根据空气质量数据来模拟大气污染物的排放、传输、化学转化及沉降过程。空气质量数据集由各个空气质量监测站收集的观测记录组成。设监测站集合为S=si∣i=1,…,N,其中S代表全部N个监测站。每个监测站都会每小时记录多种空气污染物的观测数据(如PM2.5、PM10、O3、NO2等)。设Y={yit∣i=1,…,N;t=1,…,T}表示给定时间窗口内所有监测站的空气质量观测值,其中yit∈RM表示模型概述在本研究中,我们提出了一种名为CausalHMoE-STFNN的两阶段多污染物因果引导框架。图1展示了该框架的整体架构,它由三个核心模块组成:因果编码器、混合专家系统以及STFNN。CausalHMoE-STFNN分为两个连续的阶段运行。第一阶段旨在在一个统一的多任务框架内,同时建模局部环境特征与污染物浓度之间的因果关系,并捕捉多污染物间的依赖关系。具体而言,实验在本部分,我们进行了大量实验,以评估所提出模型的性能与有效性。具体而言,这些实验旨在回答以下研究问题,并验证该方法在空气质量推断任务中的适用性。研究问题1:与现有方法相比,所提出的模型在预测精度和整体性能方面表现如何?研究问题2:各组成部分分别起到了怎样的作用?结论本研究解决了城市空气质量推断领域的若干实际难题,包括监测网络分布稀疏、单一污染物建模占主导地位、对时空连续性和局部异质性的刻画不足,以及在学习型方法中未能充分融入因果结构等问题。为解决这些问题,我们提出了CausalHMoE-STFNN,这是一种两阶段框架,它将多污染物相互作用的因果建模与时空场神经网络相结合。CRediT作者贡献说明郝晨:写作——审稿与编辑、写作——初稿撰写、可视化、方法论、研究实施。邓佳:数据整理、验证。王华斌:审稿与编辑。沈伟:资金获取。余华鹏:指导与审稿。资助本研究得到了重庆智行数联智能技术有限公司以及中国四川省文化和旅游厅天府文化数字创新重点实验室的资助。利益冲突声明作者声明,他们不存在任何可能影响本文所述工作的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号