MVG-KAN: 다중 관점 지리 및 풍향 기반 KAN 모델을 이용한 PM₂.₅ 예측

MVG-KAN: Multi-View Geo-Wind Guided KAN for PM$_{2.5}$ Forecasting

정확한 단기 PM₂.₅ 예측은 공공 보건 보호, 대기 질 조기 경보 시스템 구축, 그리고 도시 환경 관리 측면에서 매우 중요합니다. 그러나 PM₂.₅의 변동성은 인간 활동에 의한 안정적인 주기적 변화 및 기상학적 규칙성, 관측소별 단기 농도 변화, 그리고 기상 조건에 따른 관측소 간 오염 물질 확산 등 다양한 상호 연관된 요인에 의해 영향을 받습니다. 기존의 시공간 예측 방법은 어느 정도 관측소 간의 관계를 파악할 수 있지만, 거리만 고려하거나 상관관계 기반 모델, 또는 순수하게 적응적인 그래프 모델은 종종 이러한 이질적인 요인들을 종합적으로 반영하기에 부족하며, 특히 풍향 의존적인 오염 물질 이동을 제대로 포착하지 못합니다. 이러한 문제를 해결하기 위해, 우리는 다중 관점 지리 및 풍향 정보를 활용한 KAN 모델 (MVG-KAN)을 제안합니다. 이 모델은 PM₂.₅의 관측소별 변화를 세 가지 상호 보완적인 관점에서 모델링합니다: 지역 주기적 규칙성, 관측소별 잔여 시간적 동역학, 그리고 기상 및 환경 정보를 기반으로 한 공간적 확산. 구체적으로, 주기-잔여 예측 백본은 먼저 안정적인 일일 및 주간 패턴을 비주기적인 잔여 변동으로부터 분리합니다. 지리적 거리 감소와 풍향 및 풍속에 민감한 이동 정보를 결합하여 구성된 지리-풍향 그래프는 잔여량의 관측소 간 전파를 위한 가볍고 물리적으로 타당한 방향성 공간 사전 지식을 제공합니다. 또한, 시간 기반 콜모고로프-아르놀드 네트워크 (TKAN) 잔여 헤드를 도입하여 주기성을 제거한 PM₂.₅ 잔여값과 과거 다중 오염 물질 시퀀스에서 관측소별 비선형 자기 회귀 보정을 학습함으로써, 지역적 잔여 관성 및 오염 물질의 공동 변동을 모델링하는 능력을 향상시킵니다.

Accurate short-term PM$_{2.5}$ forecasting is important for public health protection, air-quality early warning, and urban environmental management. However, PM$_{2.5}$ variation is driven by multiple coupled factors, including stable periodic changes induced by human activities and meteorological regularity, station-specific short-term concentration evolution, and meteorology-driven pollutant dispersion among monitoring stations. Existing spatio-temporal forecasting methods may capture station relationships to some extent, but distance-only, correlation-based, or purely adaptive graphs are often insufficient to comprehensively represent these heterogeneous factors, especially wind-direction-dependent pollutant transport. To address this problem, we propose a Multi-View Geo-Wind Guided KAN model for PM$_{2.5}$ forecasting, named \textbf{MVG-KAN}, which models station-level PM$_{2.5}$ evolution from three complementary views: local periodic regularity, station-wise residual temporal dynamics, and meteorological-environment-guided spatial dispersion. Specifically, the periodic-residual forecasting backbone first separates stable daily and weekly patterns from non-periodic residual variations. A Geo-Wind Graph is constructed by combining geographic distance decay with wind-direction- and wind-speed-aware transport, providing a lightweight physically motivated directed spatial prior for residual propagation among stations. In addition, a temporal Kolmogorov-Arnold network (TKAN) residual head is then introduced to learn station-wise nonlinear autoregressive correction from de-periodized PM$_{2.5}$ residuals and historical multi-pollutant sequences, thereby enhancing the modeling of local residual inertia and pollutant co-variation.