19IJCAI Multi-group Encoder-Decoder Networks for Fusing Heterogeneous Data in Next-Day Air Quality Prediction

该文提出一种名为multi-group Encoder-Decoder networks (MGED-Net) 的模型设计，在整合多种输入特征的基础上旨在准确预测未来一日内某一固定站点特定污染物浓度（以PM2.5为例）的趋势和发展情况。

难点：时空数据均存在且面临异构数据融合的挑战；为应对这一需求，在时间跨度长达全天候的情况下进行预测建模。针对这些问题，在本文中我们提出了一种多源时空序列Encoder-Decoder模型，并重点阐述了其创新性与可行性：主要贡献包括构建多源时空序列编码器、设计高效的解码器机制以及提出创新性的融合评估指标。

• 使用卷积核（基于预先确定的参数）将空间网格涵盖的历史与未来天气数据转换为观测站附近区域的天气数据。
• 基于皮尔斯相关系数进行特征分组。
• 通过组间互相关的方法对encoder输出后的特征进行融合。

感觉（2）（3）步共同构成了类似集成学习的一个算法。

所涉及的数据类型包括k种空气污染物数据，并且这些污染物数据既涵盖了历史气象数据也涵盖了未来预测的气象数据。此外，在地理环境中还包含了道路网络相关信息以及海拔高度数据，并且对时间戳信息进行了详细记录。

整体方案：作者主要基于数据进行分析，并结合所提出三种具有创新性的数据融合算法，在经典的Encoder-Decoder网络模型基础上展开研究与优化设计。以解决此预测问题为目标。以下