arXiv cs.AI· Kien Le Trung, Tung Kieu, Dinh Duc Nha Nguyen, Cuong Do, Bin Yang, Phi Long Nguyen·· 3 天前AI 评分24
AeroChem：面向长期化学反应性空气质量预报的闭环物理信息状态空间建模
AeroChem: Closed-loop Physics-Informed State Space Modeling for Long-term Chemically-Reactive Air Quality Forecasting--Extended Version
AI 导读
AeroChem 是一个闭环物理信息状态空间框架，用于化学反应性空气质量预报，采用 UDE 过程分支与 Mamba 虚拟测量分支的双分支协同校正设计，并通过 Neural Kalman Fusion 在每步预报中校正潜物理状态并反馈回模拟器，以缓解长时程漂移。
正文 · AI 翻译
摘要：准确的长时空气质量预报具有挑战性，原因在于远距离传输、气象变率以及二次污染物形成背后的非线性化学反应。纯数据驱动模型往往存在长时程漂移且缺乏物理一致性，而现有的物理信息方法通常采用开环设计，仅在输出层面融合神经与物理组件。我们提出 AeroChem，一种用于化学反应性空气质量预报的闭环物理信息状态空间框架。AeroChem 采用双分支协同校正设计：基于 UDE 的过程分支提供结构化但不完美的物理先验，而基于 Mamba 的虚拟测量分支捕获长程时间上下文并生成概率性虚拟观测。神经卡尔曼融合通过在每个预报步骤校正潜在物理状态并将后验状态反馈至模拟器来耦合两个分支，从而减少长时程漂移。我们进一步引入 HanoiAir，一个整合污染物浓度、气象和排放清单的真实世界数据集。在 HanoiAir 和公开基准上的实验表明，AeroChem 提升了长时程稳定性和突变预报能力。
| 评论： | 25 页。论文“AeroChem: Closed-loop Physics-Informed State Space Modeling for Long-term Chemically-Reactive Air Quality Forecasting--Extended Version”的扩展版本，已被 NeurIPS 2026 接收 |
| 主题： | 机器学习 (cs.LG)；人工智能 (cs.AI)；计算工程、金融与科学 (cs.CE) |
| 引用为： | arXiv:2610.16630 [cs.LG] |
| （或 arXiv:2610.16630v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16630 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Kien Le [查看电子邮件]
[v1]
2026年10月12日星期一 11:52:35 UTC（5,776 KB）
来源：arXiv cs.AI · arxiv.org