基于格兰杰因果关系的空气质量估计与时空（S-T）的异质大数据

本文考虑了在有限的可用监测站中进行城市范围的空气质量估计，这些监测站在地理上是稀疏的。由于空气污染高度依赖于时空（S-T），并受到城市动态（如气象和交通）的很大影响，我们可以用S-T异质城市大数据推断出监测站未覆盖的空气质量。然而，利用S-T异质性大数据来估计空气质量有两个挑战。第一个挑战是由于数据的多样性，也就是说，有不同类别的城市动态，有些可能是无用的，甚至是不利于估计的。为了克服这个问题，我们首先提出了一个S-T扩展的格兰杰因果关系模型，以一致的方式分析城市动态中的所有因果关系。然后，通过实施非因果关系检验，我们排除了那些不 "格兰杰 "导致空气污染的城市动态。第二个挑战是由于处理大量数据时的时间复杂性。我们建议通过选择在空间和时间上具有最高因果关系水平的数据来发现影响区域（ROI）。结果显示，我们使用 "部分 "数据比 "全部 "数据取得了更高的准确性。这可能是由于最有影响力的数据消除了由冗余或噪声数据引起的错误。我们使用中国深圳的数据对因果关系模型的观察和整个城市的空气质量地图进行了说明和可视化。