要約: 正確な大気質予測は公衆衛生と環境の持続可能性にとって不可欠ですが、複雑な汚染物質のダイナミクスのため依然として困難です。既存の深層学習法はしばしば汚染物質のダイナミクスを瞬時の過程としてモデル化し、汚染物質の伝播に内在する遅延を見落としています。従って、AirDDEは本タスクにおける最初のニューラル遅延微分方程式フレームワークであり、遅延モデリングを物理的指導の下で連続時間の汚染物質の進化に組み込みます。具体的には、2つの新規コンポーネントを導入します：(1) グローバルおよび局所の歴史的特徴を取得するメモリ拡張型アテンションモジュールで、複数要因データによって変調される遅延効果を適応的に捉えることができます；(2) 拡散-対流方程式に基づく物理導向の遅延進化関数で、拡散、遅延した対流、源/吸収項をモデル化し、遅延を意識した物理的妥当性を備えた汚染物質の蓄積パターンを捉えることができます。広範な実験を3つの実世界データセットで行った結果、AirDDEは最先端の予測性能を達成し、最良のベースラインに対して平均MAEを8.79%低減させることを示しています。コードは https://github.com/w2obin/airdde-aaai で入手可能です。
返却形式: {"translated": "翻訳されたHTML"}
