PIAD-SRNN：状态空间 RNN 中的物理信息自适应分解

基于摘要分析。本文研究室内空气质量时间序列预测中的精度与效率权衡，提出 PIAD-SRNN，通过分离季节与趋势成分，并将领域方程嵌入状态空间 RNN 的递归框架，预测不同时间跨度的 CO₂ 浓度。研究对象是环境传感数据，而非 EEG 或 BCI。 机制方面，摘要明确了自适应分解、领域方程和递归建模三个要素，但未说明分解如何学习、采用何种物理方程，以及方程是通过状态更新、约束还是损失项注入模型；网络结构、训练与推理细节尚未验证。其方法价值在于探索结构化时间序列分解与领域知识结合，而不只是更换预测架构。 作者报告，在室内空气质量数据的短期与长期预测中，PIAD-SRNN 的 MSE 和 MAE 均优于所比较的先进模型，包括 Transformer 架构。摘要未提供具体分数、预测跨度、基线名称、数据划分或效率测量，因此无法判断优势幅度与计算成本。作者还提供四个整理后的数据集，并给出代码与数据地址；数据规模、采集条件、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 数据中存在可稳定区分的慢变漂移与节律成分，其分解思想可能用于连续信号预测；但室内 CO₂ 的领域方程不能直接套用于 EEG，需重新定义可解释约束，并适配多通道空间关系。低信噪比、非平稳节律、跨被试差异和小样本可能使分解失真。一个可检验的假设是：在固定数据划分与计算预算的 EEG 短时预测任务中，比较基础状态空间 RNN 与加入分解模块的版本，检查 MSE、MAE 是否改善，再单独评估领域约束的增益；这不等同于 BCI 解码性能验证。已有 EEG 相关工作尚未检索确认。