정확한 대기 질 예측은 공중 보건 경고, 노출 평가 및 배출량 제어에 필수적입니다. 관측 데이터는 수집 및 전송 문제로 인해 다양한 비율과 패턴으로 누락되는 경우가 많습니다. 이러한 불완전한 시공간 기록은 신뢰할 수 있는 추론 및 위험 평가를 방해하고 과도한 외삽을 초래할 수 있습니다. 이러한 문제를 해결하기 위해, 본 논문은 채널 게이티드 학습 유닛 기반 시공간 베이지안 신경장(CGLUBNF)을 제안합니다. CGLUBNF는 멀티 스케일 공간 종속성과 계절적 시간 역학을 포착하기 위해 그래프 어텐션 인코더가 있는 푸리에 특징을 사용합니다. 학습 가능한 활성화와 게이티드 잔차 연결이 장착된 채널 게이티드 학습 유닛은 유익한 특징을 적응적으로 필터링하고 증폭합니다. 베이지안 추론은 예측 분포와 매개변수 불확실성을 공동으로 최적화하여 점 추정치와 보정된 예측 간격을 생성합니다. 4가지 일반적인 누락 데이터 패턴을 포함하는 두 개의 실제 데이터 세트에 대한 체계적인 평가를 수행하고 5개의 최첨단 기준선과 비교합니다. CGLUBNF는 우수한 예측 정확도와 더 날카로운 신뢰 구간을 달성합니다. 또한, 여러 예측 지평선에서 견고성을 추가로 검증하고 외부 변수의 기여도를 분석합니다. 이 연구는 실제 차량 탑재형 모바일 모니터링과 같은 새로운 감지 패러다임에서 불완전한 관측을 통한 신뢰할 수 있는 딥러닝 기반 시공간 예측의 기반을 마련합니다.
