DCEG‑Net: Spatiotemporal Air‑Quality Prediction with a Decomposition‑Enhanced Graph Convolutional Recurrent Neural Network

Resumen Técnico: DCEG-Net para la Predicción Espaciotemporal de la Calidad del Aire

Planteamiento del Problema
El pronóstico preciso de la calidad del aire en regiones industriales, como la provincia de Jilin en el noreste de China, se ve obstaculizado por tres desafíos fundamentales: (1) la naturaleza no estacionaria y multiescala de la dinámica de los contaminantes, que involucra perturbaciones de alta frecuencia, evolución de eventos de frecuencia media y tendencias estacionales de baja frecuencia; (2) el acoplamiento espacial irregular y no euclidiano entre ciudades impulsado por la geografía y la meteorología, que los modelos tradicionales basados en rejillas no logran capturar; y (3) la inestabilidad de la selección de características exógenas, donde los métodos de clasificación estática suelen introducir correlaciones espurias y no logran considerar la estabilidad temporal. Los modelos existentes frecuentemente luchan por unificar la descomposición temporal multiescala, el modelado espacial gráfico explícito y el filtrado de características robusto dentro de un solo marco de trabajo.

Metodología: El Marco de Trabajo DCEG-Net
El estudio propone DCEG-Net, una red de grafos-temporales mejorada con CEEMDAN de doble rama, diseñada para el pronóstico diario del AQI utilizando una ventana histórica de 14 días para predecir el día siguiente. La arquitectura consta de cuatro módulos integrados:

1. Preprocesamiento de Datos y Construcción de Características:

   • Los valores faltantes se gestionan mediante el llenado hacia adelante (forward filling) por ciudad para preservar la continuidad temporal sin fuga de datos entre ciudades.
   • Se emplea una estrategia de selección de características compuesta para las variables exógenas (datos meteorológicos y de contaminantes). Esta combina el filtrado de baja varianza, la eliminación de alta correlación, la preselección mRMR y una selección de estabilidad por bloques de tiempo contiguos utilizando la clasificación de importancia de XGBoost. Crucialmente, se retienen obligatoriamente las variables previas con significado físico (por ejemplo, AQI, AQI_lag1, contaminantes primarios).
   • Se construye un grafo interurbano estático utilizando distancias de Haversine, reteniendo los 3 vecinos más cercanos, simetrizando la matriz, añadiendo bucles de autodirección (self-loops) y aplicando una normalización de paseo aleatorio (random-walk).

2. Codificador de Doble Rama:

   • Rama de Descomposición: La serie temporal del AQI para cada ciudad se descompone utilizando CEEMDAN (Descomposición Empírica de Modos Extremos con Ruido Adaptativo Completo) en Funciones de Modo Intrínseco (IMFs) y un residuo. Estos componentes se rellenan con ceros para alcanzar una forma de tensor uniforme y se introducen en la red como una entrada multicanal para capturar la dinámica multiescala.
   • Rama Exógena: Las variables meteorológicas y de contaminantes seleccionadas y estables forman la segunda rama de entrada.
   • Procesamiento: Ambas ramas pasan por una proyección lineal, seguida de una Convolución de Grafo de Chebyshev (aproximación de segundo orden) para capturar las dependencias espaciales. La dinámica temporal se modela mediante bloques de Convolución Temporal con Puerta (Gated Temporal Convolution) en lugar de RNN estándar. Un mecanismo de Atención Temporal agrega la ventana histórica, y las salidas de ambas ramas se fusionan mediante un mecanismo de Fusión con Puerta (Gated Fusion) que aprende la ponderación óptima entre las características de descomposición y los impulsores exógenos.

3. Entrenamiento y Optimización:

   • El modelo utiliza una función de pérdida conjunta que combina MSE ponderado, pérdida Huber ponderada, SMAPE y una pérdida de entropía cruzada binaria basada en eventos para equilibrar la precisión general con la detección de picos de eventos y umbrales.
     están optimizados mediante Optuna con validación cruzada de tipo TimeSeriesSplit.
   • El post-procesamiento incluye aprendizaje de ensamble de múltiples semillas, corrección de sesgo por ciudad y una fusión basada en Ridge del modelo principal con líneas base de persistencia y media móvil.

4. Agregación:

   • Los pronósticos a nivel provincial se generan agregando las predicciones de las ciudades utilizando pesos derivados del grafo basados en la fuerza de entrada (in-strength) y la fuerza de salida (out-strength) de la red espacial.

Contribuciones Clave

• Arquitectura de Doble Rama: La introducción de una estructura de modelado paralelo que optimiza conjuntamente una rama de descomposición basada en CEEMDAN y una rama de características exógenas seleccionadas de forma robusta, evitando las limitaciones de los enfoques de rama única o de reconstrucción post-hoc.
• Selección de Características Consciente del Tiempo: Una novedosa estrategia de selección híbrida que integra la estabilidad estadística (mediante el submuestreo de bloques de tiempo contiguos) con la interpretabilidad física (retención de variables previas), abordando el problema de la inestabilidad de las características variables en el tiempo.
• Pipeline de Extremo a Extremo: El establecimiento de un pipeline de predicción completo que abarca desde la construcción del grafo y el aprendizaje de doble rama hasta el ensamble de múltiples semillas y la fusión con corrección de sesgo, diseñado específicamente para regiones industriales complejas.

Resultados Experimentales
Evaluado con datos diarios de AQI de nueve ciudades en la provincia de Jilin (2018–2024), DCEG-Net demostró un rendimiento superior en comparación con una amplia gama de modelos de referencia, incluyendo modelos puramente temporales (LSTM, GRU, Transformer), modelos basados en grafos (GCN, GAT, TGCN) y modelos mejorados por descomposición (CEEMDAN-SVR).

• Precisión: En el conjunto de prueba, DCEG-Net logró un RMSE de 10.4408, un MAE de 7.3015, un MAPE de 12.3733% y un NSE de 0.8359, superando al mejor modelo de referencia (CEEMDAN-SVR) por aproximadamente un 35.7% en RMSE.
• Capacidad de Advertencia: El modelo mostró una fuerte discriminación y calibración para los umbrales de contaminación. Con un umbral de AQI de 150, alcanzó una Tasa de Acierto de Eventos (EHR) de 0.9869 y un F1 score de 1.0000 en el conjunto de prueba, con un Brier Score de 0.0024, lo que indica una alta fiabilidad para las advertencias de contaminación moderada a severa.
• Análisis de Ablación: La eliminación de la rama CEEMDAN resultó en la degradación de rendimiento más significativa (el RMSE aumentó a 17.52), confirmando el papel crítico de la descomposición multiescala. La eliminación de la rama exógena o de las conexiones de salto (skip connections) también provocó aumentos notables en el error.

Significancia y Reivindicaciones
El artículo afirma que DCEG-Net proporciona una solución efectiva y prácticamente desplegable para el pronóstico de la calidad del aire a corto plazo en regiones industriales complejas. Al modelar explícitamente la naturaleza multiescala de las señales de contaminación y la topología espacial no euclidiana de las redes de ciudades, el marco logra un equilibrio entre precisión de predicción, robustez e interpretabilidad. Los autores sostienen que el modelo es particularmente adecuado para sistemas de pronóstico diario a escala provincial, requiriendo solo datos de nivel de ciudad disponibles de forma rutinaria y un grafo geográfico fijo. Aunque reconoce limitaciones como el uso de una estructura de adyacencia estática y el desequilibrio de clases residual en umbrales extremos, el estudio concluye que el marco propuesto ofrece un avance significativo sobre los métodos existentes en el manejo de datos de calidad del aire espaciotemporales no estacionarios y fuertemente acoplados.