Predicting Spatiotemporal Mobile Sensing-Based PM2.5 Concentrations Using Low-Rank Adapted Spatially Attentive Graph Neural Network
研究人员提出一种基于低秩适配空间注意力图神经网络（SA-GNN）的模型，用于预测印度古吉拉特邦苏拉特市的 PM2.5 浓度。该研究构建了包含气象变量、土地利用特征及 PM2.5 浓度的移动传感数据集，并采用均匀分割与 DBSCAN 聚类两种策略定义图节点。SA-GNN 结合特定簇 GRU 捕捉局部时间依赖，利用图注意力网络学习空间异质性，在性能上优于 LSTM、RNN、GRU 和 ANN 等基线模型。实验结果显示，该模型在测试集上达到 R² = 0.95，RMSE = 6.8，MAE = 4.2 μg/m³。该方法有效捕捉了城市空气质量快速波动与复杂空间交互，支持实时精细监测、个性化暴露追踪及及时健康预警。