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

Sintesi Tecnica: DCEG-Net per la previsione spazio-temporale della qualità dell'aria

Definizione del Problema
La previsione accurata della qualità dell'aria nelle regioni industriali, come la provincia di Jilin nella Cina nord-orientale, è ostacolata da tre sfide fondamentali: (1) la natura non stazionaria e multi-scala della dinamica degli inquinanti, che coinvolge disturbi ad alta frequenza, evoluzione di eventi a media frequenza e trend stagionali a bassa frequenza; (2) l'accoppiamento spaziale irregolare e non euclideo tra le città, guidato dalla geografia e dalla meteorologia, che i modelli tradizionali basati su griglie non riescono a catturare; (3) l'instabilità della selezione delle caratteristiche esogene, dove i metodi di classificazione statica introducono spesso pseudo-correlazioni e non tengono conto della stabilità temporale. I modelli esistenti spesso faticano a unificare la decomposizione temporale multi-scala, la modellazione esplicita dei grafi spaziali e lo screening robusto delle caratteristiche all'interno di un unico framework.

Metodologia: Il Framework DCEG-Net
Lo studio propone DCEG-Net, una rete grafo-temporale a doppio ramo potenziata da CEEMDAN, progettata per la previsione giornaliera dell'AQI utilizzando una finestra storica di 14 giorni per prevedere il giorno successivo. L'architettura è composta da quattro moduli integrati:

1. Pre-elaborazione dei dati e costruzione delle caratteristiche:

   • I valori mancanti sono gestiti tramite l'imputazione "forward filling" per città, per preservare la continuità temporale senza perdite incrociate tra le città (cross-city leakage).
   • È impiegata una strategia composita di selezione delle caratteristiche per le variabili esogene (dati meteorologici e degli inquinanti). Questa combina il filtraggio della bassa varianza, l'eliminazione dell'alta correlazione, la preselezione mRMR e una selezione di stabilità basata su blocchi di tempo contigui utilizzando il ranking di importanza di XGBoost. Fondamentalmente, le variabili con significato fisico pregresso (es. AQI, AQI_lag1, inquinanti primari) vengono mantenute obbligatoriamente.
   • Un grafo statico inter-cittadino è costruito utilizzando le distanze di Haversine, mantenendo i 3 vicini più prossimi, simmetrizzando la matrice, aggiungendo auto-anelli (self-loops) e applicando una normalizzazione di tipo random-walk.

2. Encoder a doppio ramo:

   • Ramo di Decomposizione: La serie temporale dell'AQI per ogni città viene decomposta utilizzando CEEMDAN (Complete Ensemble Empirical Mode Decomposition with Adaptive Noise) in Funzioni di Modo Intrinseco (IMF) e un residuo. Questi componenti sono sottoposti a zero-padding per ottenere una forma tensoriale uniforme e vengono inseriti nella rete come input multi-canale per catturare la dinamica multi-scala.
   • Ramo Esogeno: Le caratteristiche meteorologiche e degli inquinanti selezionate e stabili formano il secondo ramo di input.
   • Elaborazione: Entrambi i rami subiscono una proiezione lineare, seguita da una Convoluzione di Grafi di Chebyshev (approssimazione del secondo ordine) per catturare le dipendenze spaziali. Le dinamiche temporali sono modellate tramite blocchi di Convoluzione Temporale Gated piuttosto che tramite standard RNN. Un meccanismo di Attenzione Temporale aggrega la finestra storica e gli output di entrambi i rami vengono fusi utilizzando un meccanismo di Fusione Gated che apprende il peso ottimale tra le caratteristiche di decomposizione e i driver esogeni.

3. Addestramento e Ottimizzazione:

   • Il modello utilizza una funzione di perdita congiunta che combina MSE pesato, Huber loss pesato, SMAPE e una loss di cross-entropy binaria basata sugli eventi per bilanciare l'accuratezza globale con la rilevazione dei picchi di eventi e delle soglie.
   • Gli iperparametri sono ottimizzati tramite Optuna con cross-validation TimeSeriesSplit.
   • Il post-processing include l'apprendimento ensemble multi-seed, la correzione del bias per città e la fusione basata su Ridge del modello principale con i baseline di persistenza e media mobile.

4. Aggregazione:

   • Le previsioni a livello provinciale sono generate aggregando le previsioni a livello cittadino utilizzando pesi derivati dal grafo basati sulla forza in entrata (in-strength) e in uscita (out-strength) della rete spaziale.

Contributi Chiave

• Architettura a Doppio Ramo: L'introduzione di una struttura di modellazione parallela che ottimizza congiuntamente un ramo di decomposizione basato su CEEMDAN e un ramo di caratteristiche esogene selezionate in modo robusto, evitando i limiti degli approcci a singolo ramo o di ricostruzione post-hoc.
• Selezione delle Caratteristiche Consapevole del Tempo: Una nuova strategia di selezione ibrida che integra la stabilità statistica (tramite sottocampionamento di blocchi temporali contigui) con l'interpretabilità fisica (ritenzione delle variabili pregresse), affrontando il problema dell'instabilità temporale delle caratteristiche.
• Pipeline End-to-End: L'istituzione di una pipeline di previsione completa che spazia dalla costruzione del grafo e dall'apprendimento a doppio ramo fino all'ensemble multi-seed e alla fusione corretta per il bias, specificamente adattata per regioni industriali complesse.

Risultati Sperimentali
Valutato sui dati giornalieri dell'AQI di nove città della provincia di Jilin (2018–2024), DCEG-Net ha dimostrato prestazioni superiori rispetto a una vasta gamma di baseline, inclusi modelli puramente temporali (LSTM, GRU, Transformer), modelli basati su grafi (GCN, GAT, TGCN) e baseline potenziate dalla decomposizione (CEEMDAN-SVR).

• Accuratezza: Sul set di test, DCEG-Net ha ottenuto un RMSE di 10.4408, un MAE di 7.3015, un MAPE del 12.3733% e un NSE di 0.8359, superando il miglior baseline (CEEMDAN-SVR) di circa il 35.7% in termini di RMSE.
• Capacità di Allerta: Il modello ha mostrato una forte discriminazione e calibrazione per le soglie di inquinamento. Con una soglia di AQI di 150, ha raggiunto un Tasso di Colpimento degli Eventi (EHR) di 0.9869 e un punteggio F1 di 1.0000 sul set di test, con un Brier Score di 0.0024, indicando un'alta affidabilità per gli avvisi di inquinamento da moderato a severo.
• Analisi di Ablazione: La rimozione del ramo CEEMDAN ha causato il degrado delle prestazioni più significativo (l'RMSE è aumentato a 17.52), confermando il ruolo critico della decomposizione multi-scala. La rimozione del ramo esogeno o delle connessioni skip ha portato anch'essa a incrementi notevoli dell'errore.

Significatività e Rivendicazioni
L'articolo afferma che DCEG-Net fornisce una soluzione efficace e praticamente implementabile per la previsione dell'AQI a breve termine in regioni industriali complesse. Modellando esplicitamente la natura multi-scala dei segnali di inquinamento e la topologia spaziale non euclidea delle reti cittadine, il framework raggiunge un equilibrio tra accuratezza della previsione, robustezza e interpretabilità. Gli autori sostengono che il modello è particolarmente adatto per sistemi di previsione giornaliera su scala provinciale, richiedendo solo dati cittadini regolarmente disponibili e un grafo geografico fisso. Pur riconoscendo i limiti, come l'uso di una struttura di adiacenza statica e lo squilibrio delle classi residue alle soglie estreme, lo studio conclude che il framework proposto offre un avanzamento significativo rispetto ai metodi esistenti nel gestire dati spazio-temporali della qualità dell'aria non stazionari e fortemente accoppiati.