陈 杰 ，许镇义 ，2

(1.中国科学技术大学 自动化系，安徽 合肥230026；2.合肥综合性国家科学中心人工智能研究院，安徽 合肥230088)

0 引言

近年来，随着经济的增长，环境问题也变得日益突出， 大气污染问题正受到前所未有的关注和重视[1]。城市空气中，如一氧化碳(CO)、碳氢化物(HC)、氮氧化物(NOx)、固体颗粒物(PM2.5、PM10)等污染物浓度与人们的身体健康息息相关[2-3]。 空气质量指数(Air Quality Index，AQI)是定量描述空气质量状况的指数，其数值越大说明空气污染状况越严重，对人体健康的危害也就越大[4]。

为了及时准确地反映空气质量及发展趋势，需要精确的空气质量监测设备。然而这些监测设备的建设成本以及后期的维护费用是昂贵的[4]，所以，在一个城市不同区域安装大量的空气监测设备是不现实的。 例如，北京市主城区面积约为1 381 平方公里，仅仅包含17 个空气监测站点，各个监测站位置分布由图1 所示。

图1 北京市空气质量监测站位置分布

这些年来，关于空气质量推断的研究主要分为：基于知识驱动和基于数据驱动的两类方法。 基于知识驱动的方法主要使用数学模型[5-6]和物理知识[7]，模拟空气污染物的实际物理扩散过程，通过计算仿真来推断未观测区域的空气质量分布。 这些方法都采用了一系列优化技术，如相关性分析、聚类分析和多目标优化[8-10]。 为了达到稳定状态，仿真过程不仅需要复杂的系统编程，而且会消耗大量的计算能力。 模型简化和稳定性假设，也会使模型效率进一步降低。

近几年来，基于数据驱动的方法也在不断发展,并在空气质量推断方面取得了很好的效果。……