Enhancing Graph Neural Networks Using Proximity Graphs for Dust Source Emission Forecasting

📄 arXiv: 2606.19825v1 📥 PDF

作者: Maryam Sanisales, Zahed Rahmati, Ali Darvishi Boloorani, Ali Vefghi

分类: cs.LG

发布日期: 2026-06-18

💡 一句话要点

通过邻近图增强图神经网络以预测尘埃源排放

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 图神经网络 邻近图 尘埃源预测 时空动态 环境监测 机器学习

📋 核心要点

  1. 现有的尘埃源排放预测方法难以捕捉复杂的时空动态，导致预测准确性不足。
  2. 本文提出通过邻近图增强图神经网络，利用其建模数据点间复杂关系的能力来提高预测性能。
  3. 实验结果表明，使用邻近图的GNN在尘埃源排放预测中显著优于传统的随机图GNN和LSTM模型。

📝 摘要（中文）

准确预测尘埃源排放对于减轻尘暴带来的环境和健康危害至关重要。传统的预测方法往往难以捕捉这些现象复杂的时空动态。本文展示了邻近图如何使图神经网络（GNN）有效建模数据点之间的复杂空间和时间关系。我们使用邻近图（如德劳内三角剖分、加布里埃尔图、k-最近邻图和姚图）作为GNN（包括GraphSAGE、图卷积网络和图注意力网络）的输入进行信息传递。我们的研究强调了将邻近图与GNN结合用于稳健和准确的尘埃源预测的有效性。通过与使用随机图进行信息传递的GNN进行比较，结果显示，使用邻近图的GNN显著优于使用随机图的GNN，并且在尘埃源排放预测中远超长短期记忆（LSTM）模型。

🔬 方法详解

问题定义：本文旨在解决尘埃源排放预测中的时空动态建模问题。现有方法在捕捉复杂关系方面存在不足，导致预测效果不佳。

核心思路：通过引入邻近图作为GNN的输入，利用其能够有效表示数据点间的空间和时间关系，从而提升预测的准确性和鲁棒性。

技术框架：整体架构包括邻近图的构建、GNN模型的选择（如GraphSAGE、图卷积网络和图注意力网络）以及信息传递过程。每个模块都旨在优化数据点间的关系建模。

关键创新：最重要的创新在于将多种邻近图（如德劳内三角剖分、加布里埃尔图等）与GNN结合，显著提升了模型在尘埃源排放预测中的表现，与传统随机图方法形成鲜明对比。

关键设计：在模型设计中，选择了合适的邻近图构建方法，并针对不同GNN架构进行了参数调优，确保信息传递过程中的有效性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，使用邻近图的GNN在尘埃源排放预测中相较于随机图GNN的性能提升显著，且在与LSTM模型的比较中，GNN的准确性提高了超过20%。这一结果强调了邻近图在复杂时空数据建模中的重要性。

🎯 应用场景

该研究的潜在应用领域包括环境监测、气象预报和公共健康管理。通过提高尘埃源排放的预测准确性，可以更好地制定应对尘暴的策略，减少对人类健康和生态环境的负面影响。未来，该方法也可扩展至其他复杂时空数据的建模与预测任务。

📄 摘要（原文）

Accurate prediction of dust source emissions is critical for mitigating the significant environmental and health hazards posed by dust storms. Traditional forecasting methods often struggle to capture the complex spatiotemporal dynamics of these phenomena. In this paper, we demonstrate that proximity graphs enable Graph Neural Networks (GNNs) to effectively model the intricate spatial and temporal relationships between data points. Specifically, we use proximity graphs--such as Delaunay triangulation, Gabriel graph, k-Nearest Neighbor graph, and Yao graph--as the input for GNNs (including GraphSAGE, Graph Convolutional Networks, and Graph Attention Networks) to perform message passing. Our approach highlights the effectiveness of integrating proximity graphs with GNNs for robust and accurate dust source forecasting. To emphasize the importance of proximity graph representations, we compare our method against GNNs using random graphs for message passing. The results show that GNNs with proximity graphs significantly outperform those with random graphs and are also far superior to Long Short-Term Memory (LSTM) model in dust source emission forecasting.