Новая GAN-модель TriHead-GAN решает проблему нехватки данных о выбросах CO2
Группа исследователей представила TriHead-GAN — новую генеративно-состязательную сеть (GAN), способную создавать реалистичные временные ряды выбросов углерода. Разработка направлена на решение острой проблемы нехватки высокочастотных данных мониторинга CO? на уровне городов, что критически важно для климатической политики и таких механизмов, как пограничный корректирующий углеродный сбор ЕС.
Существующие генеративные модели, включая GAN и диффузионные подходы, часто не учитывают специфическую структуру данных о выбросах: они могут согласовывать маргинальные распределения, но плохо сохраняют корреляции между CO?, сопутствующими загрязнителями и метеорологическими факторами. Кроме того, такие модели теряют реалистичную пошаговую изменчивость, создавая слишком гладкие последовательности.
TriHead-GAN использует Transformer-архитектуру в генераторе, объединяя глобальное самовнимание с локальной временной сверткой, пошаговым добавлением шума и специальной функцией потерь для сохранения разностной статистики. Ключевая инновация — тройной дискриминатор, который контролирует три аспекта совместного распределения: подлинность распределения с помощью Wasserstein-критика, зависимости между переменными через регрессию целевой переменной, а также пошаговую временную гладкость через прогнозирование смежных разностей.
Эксперименты проводились на собственном наборе данных Changsha Carbon, двух публичных датасетах (Китай и США) и бенчмарке ETTh1. TriHead-GAN продемонстрировал превосходство над основными базовыми моделями в подавляющем большинстве настроек. Кроме того, синтезированные временные окна повысили точность прогнозирования в сценариях с ограниченными ресурсами мониторинга.
Разработка может существенно помочь в создании более точных моделей прогнозирования выбросов, особенно в регионах, где отсутствует дорогостоящая инфраструктура непрерывного мониторинга. Исследование опубликовано на сервере препринтов arXiv.
