基于图神经 Koopman 网络的 PM2.5 动态模态分解与短时预测

的时空动态 PM_2.5 仍然具有挑战性。现有的时空预测方法与高模型复杂性和有限的可解释性有关。将考夫曼理论与深度学习相结合的传统方法往往会忽视时空数据中固有的空间相关性。本研究使用_2.5 数据集京津冀，使用 Koopman 模态分解来识别关键的动态模态，从而揭示其时空层次结构。此外，提出了一种利用图表示学习方法的空间物理约束学习 （SPCL） 模型，将 PM_2.5与 Koopman 特征函数相结合，使用图卷积网络将其集成到 Koopman 自编码器中。结果表明，PM_2.5 具有增长、衰减和振荡模式，以及每日、每周、每月和每年的周期。SPCL 模型的平均绝对误差、均方根误差 （RMSE） 、相关性 r和一致性 值分别为 9.678 、 13.922 、 0.864 和 0.921。与使用长短期记忆、图卷积网络和长短期记忆网络、时空图卷积网络和动态时空图卷积网络相比，SPCL 在 12 h 时预测的平均 RMSE 值分别提高了 16.1%、12.7%、0.9% 和 3.5%。通过离散神经网络隐藏层，_2.5，表现出增强的稳定性。