本文提出multi-group Encoder-Decoder networks (MGED-Net) 模型融合多种输入特征，解决预测一天后预测给定站点，给定污染物种类（PM2.5）的污染程度的问题。

难点：时空数据都存在，面临异构数据融合的问题；需要进行较长时间（一天）的预测。针对这些难点，本文提出了一个多组数据的Encoder-Decoder模型，主要贡献有三点。

• 将空间网格的天气数据（包括历史与未来的）通过卷积核（根据先验得出的）变换成观测站附近的天气数据。
• 按照皮尔斯相关系数进行特征分组。
• 利用组间互相关进行encoder后的特征融合。

感觉（2）（3）步共同构成了类似集成学习的一个算法。

用到的数据类型：用到k个空气污染物种类，历史和预测的天气数据都用。还用到地理环境（道路信息和海拔数据）、时间戳信息。

总体解决方案：作者主要从数据的角度入手，利用经典的Encoder-Decoder网络模型，加上提出的三点创新性的数据融合算法，来解决此预测问题。下面是本文提出的网络架构图：

本文创新点

特征表示

此方法在文中仅仅针对天气数据。天气特征是网格化的，而我们针对的是站点的空气质量预测。所以要将网格化的数据转换为与某一站点有关的数据，采用了三种方法结合：

• 选取站点所在的网格的天气数据。
• 取周围k×k网格天气数据的平均。
• 用各种代表天气状态（比如风向）的卷积核卷积k×k的网格天气数据。

特征分组

本文提到了3种不同的分组方法：

• 每个特征一组
• 每个领域的特征一组。（天气特征一组，空气质量特征一组）
• 相关性分组

相关性分组是重点。本文的分组思想是最大化类内相关性并且最小化类间相关性。用到了皮尔逊相关系数来表示相关性。采用枚举把特征分为2,3,4个组，来找出符合最大化类内相关性和最小化类间相关性的分组方法。

融合架构

• 特征融合（在encoder之前）
• encoder之后融合（在网络结构图中fusion位置）
• encoder之后与相关性结合的融合（在网络结构图中fusion位置）

实验结果对比

• 特征表示的三种方案对比
• 特征分组三种方案对比
• 三种融合架构的对比
• 和其他模型的对比

由这些对比论证了模型的合理性。