AccuAir Solution (KDD Cup 2018) Air Quality Prediction

研究目标：借助空气质量指标、气象学数据、空间拓扑结构、天气预报信息、监测站点资料以及时间序列数据，对空气污染状况进行预测分析。

主要挑战：涉及的变量繁多，各参数间的作用关系呈现非线性特征，并具备时空耦合属性，同时存在突发性噪声干扰以及未被识别的潜在影响因素。

应对策略：构建了LightGBM模型、时空门控DNN模型及Seq2Seq模型三种架构，分别基于现有数据集开展训练；随后通过训练一个线性模型，将前述三种模型的预测结果进行整合，最终输出综合预测结果。

此外需指出的是，集成学习方法在各类竞赛中被广泛采用，已成为提升排名的关键手段之一。

related work

相关研究综述部分阐述了气象学模型、静态学习模型以及基于时间序列的深度学习模型在空气质量预测领域的应用。为实现该目标，需设计一种能够整合多种时空信息的方案，此类方法被视为攻克该问题的核心所在。

提出的方法

整体模型结构示意图如图所示：

LightGBM：一种具备稳定性能的特征筛选工具

时空门控DNN：拥有解析时空关联特性的能力

序列到序列模型：对输入信息进行编码处理，并对输出结果进行