近日，我院2024级研究生陈浩完成的论文CausalHMoE-STFNN:A two-stage causal-inspired spatio-temporal model for multi-pollutant air quality inference在国际期刊Environmental Modelling & Software（中国科学院二区，2026年影响因子5.17）正式发表。该论文提出了一种两阶段多污染物因果推断模型——CausalHMoE-STFNN，针对现有的深度学习模型通常只关注单一污染物，未能共同捕捉时空连续性、局部异质性和因果机制等问题提出一种新推断框架，并在私有数据集和公开数据集上完成了充分的验证。
实时空气质量监测对污染控制和公共健康至关重要，但站点分布稀疏限制了空间覆盖范围。现有的深度学习模型通常只关注单一污染物，未能共同捕捉时空连续性、局部异质性和因果机制。为此，我们提出了两阶段多污染物因果推断模型——CausalHMoE-STFNN。第一阶段构建一个与专家混合的因果编码器（CausalHMoE），其中因果编码器建模局部特征与污染物之间的因果关系，而专家混合混合则捕捉污染物间相互作用，用于多任务初步预测。第二阶段使用短期时空场神经网络（STFNN）模拟空气质量的持续演变，并利用第一阶段输出进行精细推断。在重庆和北京数据集上的实验表明，所提模型在大多数污染物和评估指标上都达到了最佳或接近最佳的表现。与最强基线模型相比，CausalHMoE-STFNN在重庆和北京数据集上分别降低了10.18%和21.86%的整体RMSE，而整体MAE分别减少了13.08%和8.14%，证实了其准确性、组成部分有效性和可解释性。
本研究由成都大学计算机学院2024级计算机技术专业研究生陈浩同学作为第一作者完成，余化鹏（导师）担任通信作者。
文章链接：https://doi.org/10.1016/j.envsoft.2026.107090
