时空图卷积网络

长时预测更稳

用动态滤波器与分层生成式Transformer，更好捕捉时空序列中的长程周期与季节性。

齐连永 · Boyuan, Yan · Wenwei, Wang · Hu, Chunhua · 代飞 · Xiaolong, Xu · 窦万春 · Zhou, Xiaokang

IEEE Internet of Things Journal 2025

技术优势

捕捉长期周期与季节性

分层生成式 Transformer（GPHT）增强了对空气质量数据中长期时序模式（如周期性、季节性）的建模能力。

自适应处理高低频混合数据

λ-Bernstein 多项式调整的动态滤波器能自适应处理图上低、高频成分共存的时空数据。

支持多站点并行预测

模型支持跨多个站点的并行预测，显著提升计算效率。

应用场景

• 空气质量监测：用 ST-BernT 在多个监测站点上同时预测污染物浓度，提升长时预报精度。
• 环境感知：为环境感知系统提供更准确、更稳定的空气质量时序预测。
• 无人机环境监测：部署于无人机环境监测网络中，实现分布式多站点空气质量并行预测。