NeuroDDAF：空気質予測のための、エビデンス融合を備えたニューラル動的拡散・アドベクション場

要旨: 正確な大気質予測は公衆衛生を守り、環境政策を導くために重要である一方、非線形な時空間ダイナミクス、風によって駆動される輸送、地域間にまたがる分布シフトのために、依然として困難な課題です。物理ベースのモデルは解釈可能ですが計算コストが高く、しばしば制約の多い仮定に依存します。一方で、純粋にデータ駆動のモデルは高い精度を達成できるものの、頑健性や校正済みの不確実性が不足する可能性があります。これらの制限に対処するために、本研究では、Neural Dynamic Diffusion-Advection Fields（NeuroDDAF）を提案します。これは、ニューラル表現学習と開放系の輸送モデリングを統合する物理情報を組み込んだ予測フレームワークです。NeuroDDAF は、(i) 時間ダイナミクスと風を考慮した空間相互作用を捉えるための GRU-Graph Attention エンコーダ、(ii) 学習可能な残差を備えたフーリエ領域の拡散・移流モジュール、(iii) 時間変化する結合（connectivity）の下で連続時間の進化をモデル化するための、風によって変調される潜在変数 Neural ODE、そして (iv) 物理ガイド付き予測とニューラル予測を適応的に組み合わせつつ不確実性を定量化する証拠融合（evidential fusion）機構、を統合します。4つの都市データセット（北京、深圳、天津、アンコーナ）における 1〜3 日先の予測での実験では、NeuroDDAF は AirPhyNet を含む強力なベースラインを一貫して上回り、長期予測において RMSE を最大 9.7% 削減し、MAE を最大 9.4% 削減することを示します。北京データセットでは、NeuroDDAF は 1 日予測で RMSE が 41.63 2g/m^3、3 日予測で 48.88 2g/m^3 を達成しており、比較したすべての手法の中で最良の性能です。さらに NeuroDDAF は都市間の一般化を改善し、アンサンブル分散の解析および風条件が変化する下でのケーススタディによって裏付けられるように、よく校正された不確実性推定をもたらします。