本研究在印度古吉拉特邦苏拉特收集了移动感知数据集，包含 $PM_{2.5}$ 浓度、气温、湿度、风速、风向以及土地利用特征。为将时空数据映射为图结构，采用两种节点划分方式：① 按固定距离（200–400 m）均匀分段；② 基于 DBSCAN 聚类自适应分组密集观测点。对每个节点计算气象变量的滚动均值和标准差，以捕获局部短期波动。针对高维输入，提出空间注意力图神经网络（SA‑GNN），用于细粒度短期 $PM_{2.5}$ 预测和热点识别。SA‑GNN 由簇专属 GRU 捕获局部时间依赖，结合图注意力网络学习空间异质性，实现快速变化与复杂空间交互的联合建模。实验将 SA‑GNN 与 LSTM、RNN、GRU、ANN 等基线比较，后者在低分辨率数据上表现良好，但难以捕捉城市空气质量的剧烈波动。SA‑GNN 在本数据集上取得 $R^2 = 0.95$、$RMSE = 6.8$、$MAE = 4.2\ \mu g/m^3$，显著优于所有对照模型。空间聚类与自适应注意力的结合提升了预测精度，为实时细粒度监测、个性化暴露评估和健康预警提供技术支撑。
点评：该方法通过局部时间建模与空间注意力的协同，成功克服了传统时序模型在高分辨率空气质量预测中的局限，为城市健康管理提供了可行路径。