PING：用于平流–扩散过程的物理信息图神经网络及其在太阳能发电功率预测中的应用

基于摘要分析。本文研究不规则传感器网络上的平流–扩散过程预测，提出物理信息图神经网络 PING，将离散平流–扩散方程作为损失函数中的软约束，引导模型学习物理一致的动态，并应用于日内光伏（PV）发电功率预测。主要研究对象是大气、云运动等输运现象，而非 EEG 或 BCI。 机制上，作者从图信号处理视角，将平流–扩散粒子的分布建模为图上的信号，预测不规则网格上的未来粒子浓度。其关键方法是把输运过程的物理约束与图学习结合；摘要未提供图构建方式、方程离散格式、物理损失的具体形式及权重、训练与推理流程，这些细节尚未验证。 作者报告，在合成及真实输运现象数据集上，包括海表温度和云指数数据集，PING 的表现与当前先进模型相当，但摘要未列出具体基线、预测时距、划分协议或指标数值。作者还报告，将 PING 与 PV 功率预测模型耦合，融合 PV 站点地面传感器数据与含云浓度信息的卫星图像，可提高日内 PV 发电功率预测准确性；提升幅度、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 方法研究参考的是“不规则传感器图上的动态预测＋物理软约束”，而非直接套用云运动方程。迁移假设是：若存在适合目标 EEG 信号的动力学先验，该约束可能辅助小数据条件下的图时序建模。可复用思路包括图表示与软约束训练，需改造电极图、信号状态定义及动力学残差；低信噪比、容积传导、跨被试和通道配置变化均可能使局部输运假设失效。一个小规模可证伪实验是在固定被试内划分下，对相同图预测模型比较无约束与候选动力学约束的短时 EEG 预测误差，并检验通道扰动下的稳定性；这不等于验证 BCI 解码收益。已有 EEG 相关工作尚未检索确认。