MVG-KAN：多视角地风引导的 KAN 用于 PM$_{2.5}$ 预测

背景

准确预测短期 PM${2.5}$（细颗粒物）浓度对于保护公众健康、发布空气质量预警以及城市环境管理至关重要。然而，PM${2.5}$ 的变化并非由单一因素驱动，而是受到多种耦合因素的复杂影响。这些因素主要包括：

1. 周期性规律：由人类活动（如交通、工业排放）和气象规律引起的稳定周期性变化。
2. 站点特异性动态：各个监测站点特有的短期浓度演变模式。
3. 气象驱动的扩散：在气象条件（特别是风向风速）驱动下，污染物在不同监测站点之间的传输与扩散。

现有的时空预测方法虽然在一定程度上能够捕捉站点之间的关系，但往往存在局限性。传统的基于距离、相关性或纯自适应构建的图结构，通常不足以全面表征上述异构因素，尤其是难以有效处理依赖风向的污染物传输这一关键物理过程。

核心内容

为了解决上述问题，研究团队提出了一种名为 MVG-KAN（Multi-View Geo-Wind Guided KAN，多视角地风引导的 Kolmogorov-Arnold 网络）的模型，用于 PM${2.5}$ 预测。该模型从三个互补的视角对站点级的 PM${2.5}$ 演变进行建模：局部周期性规律、站点间的残差时间动态，以及气象与环境引导的空间扩散。

具体而言，MVG-KAN 的架构包含以下核心组件：

1. 周期-残差预测主干（Periodic-Residual Forecasting Backbone）

该模块首先将 PM$_{2.5}$ 数据分解为两部分：

• 稳定模式：提取出每日和每周的稳定周期性规律。
• 非周期性残差：分离出非周期性的剩余变化部分。 这种分解有助于模型分别处理规律性强的基础趋势和复杂的异常波动。

2. 地风图（Geo-Wind Graph）

为了捕捉站点间的空间依赖关系，特别是受气象影响的传输，研究构建了一个轻量级的、具有物理意义的有向空间先验图——Geo-Wind Graph。该图的构建结合了：

• 地理距离衰减：反映空间邻近性。
• 风向与风速感知传输：显式地纳入风向和风速信息，以模拟污染物随气流在站点间的定向扩散。 这弥补了传统仅基于距离或统计相关性的图结构在物理机制解释上的不足。

3. 时间 Kolmogorov-Arnold 网络残差头（Temporal Kolmogorov-Arnold Network, TKAN）

在分解出周期部分并构建空间图后，模型引入 TKAN 残差头来学习站点级的非线性自回归校正。该模块利用：

• 去周期化后的 PM$_{2.5}$ 残差
• 历史多污染物序列 通过 TKAN 强大的非线性拟合能力，增强对局部残差惯性（local residual inertia）和污染物共变关系（co-variation）的建模，从而修正预测误差，提高短期预测的准确性。

关键要点

• 多视角融合：MVG-KAN 创新性地从“局部周期性”、“站点残差动态”和“气象引导空间扩散”三个互补视角建模 PM$_{2.5}$ 演变，比单一视角方法更全面。
• 物理机制嵌入：通过构建 Geo-Wind Graph，将风向、风速等气象物理因素显式融入空间图结构，解决了传统图神经网络难以捕捉风向依赖性污染物传输的问题。
• 周期-残差分解策略：采用“周期-残差”分解框架，先剥离稳定的日/周周期模式，再专注于复杂残差的预测，降低了建模难度并提升了稳定性。
• KAN 的应用：引入 Kolmogorov-Arnold Network (KAN) 作为残差校正模块，利用其在非线性函数逼近方面的优势，更精准地捕捉局部残差惯性和多污染物间的复杂共变关系。
• 轻量级与物理可解释性：Geo-Wind Graph 的设计是轻量级的且具有明确的物理动机，使得模型在保持计算效率的同时，具备更强的可解释性。

意义与影响

MVG-KAN 的提出在空气质量和时空预测领域具有重要的理论和应用价值：

1. 提升预测精度：通过结合物理机制（风向/风速）与数据驱动方法（KAN），MVG-KAN 能够更准确地捕捉 PM$_{2.5}$ 的短期波动，特别是在受气象条件显著影响的扩散场景中。
2. 增强模型可解释性：传统的自适应图往往被视为“黑盒”，而 MVG-KAN 中的 Geo-Wind Graph 提供了基于物理规律的直观空间先验，有助于理解污染物传输的实际路径和机制。
3. 推动 KAN 在时空预测中的应用：作为将 Kolmogorov-Arnold Network 应用于时空预测任务的早期探索之一，该工作展示了 KAN 在处理非线性残差校正方面的潜力，为后续研究提供了新的技术路径。
4. 优化环境管理决策：更精准的短期 PM$_{2.5}$ 预测有助于政府和相关机构更早、更准确地发布空气质量预警，采取针对性的减排措施，从而更好地保护公众健康。

总之，MVG-KAN 通过融合多视角数据、嵌入物理机制并引入先进的 KAN 架构，为复杂环境下的 PM$_{2.5}$ 预测提供了一个高效、准确且可解释的解决方案。