[論文レビュー] A Bayesian Non-linear State Space Copula Model to Predict Air Pollution in Beijing

Alexander Kreuzer, Luciana Dalla Valle+1 more|arXiv (Cornell University)|Mar 20, 2019

Air Quality and Health Impacts参考文献 29被引用数 3

ひとこと要約

本稿では、2014年の1時間ごとの気象および汚染データを用いて、北京におけるPM2.5濃度を予測するための、新たなベイジアン非線形状態空間コプチャモデルを提案する。観測方程式および状態方程式の両方をコプチャでモデル化することで、非ガウス的で非線形的な依存関係を捉え、正確な予測とシナリオベースの気候影響分析を可能にし、極端な汚染イベントを捉える点で、標準的なガウス型状態空間モデルを上回る性能を発揮する。

ABSTRACT

Air pollution is a serious issue that currently affects many industrial cities in the world and can cause severe illness to the population. In particular, it has been proven that extreme high levels of airborne contaminants have dangerous short-term effects on human health, in terms of increased hospital admissions for cardiovascular and respiratory diseases and increased mortality risk. For these reasons, accurate estimation and prediction of airborne pollutant concentration is crucial. In this paper, we propose a flexible novel approach to model hourly measurements of fine particulate matter and meteorological data collected in Beijing in 2014. We show that the standard state space model, based on Gaussian assumptions, does not correctly capture the time dynamics of the observations. Therefore, we propose a non-linear non-Gaussian state space model where both the observation and the state equations are defined by copula specifications, and we perform Bayesian inference using the Hamiltonian Monte Carlo method. The proposed copula state space approach is very flexible, since it allows us to separately model the marginals and to accommodate a wide variety of dependence structures in the data dynamics. We show that the proposed approach allows us not only to predict particulate matter measurements, but also to investigate the effects of user specified climate scenarios.

研究の動機と目的

• 北京の1時間ごとのPM2.5および気象データにおける非線形的かつ非ガウス的ダイナミクスを捉える点で、標準的なガウス型状態空間モデルの限界を克服すること。
• 周辺分布と依存構造を別々にモデル化できる柔軟な統計枠組みを構築し、極端な汚染イベントの堅牢な予測を可能にすること。
• ユーザー指定の気象条件のもとで将来のPM2.5濃度をシミュレートすることにより、気候影響に関するシナリオ分析を可能にすること。
• 健康影響と関連する時間的に変化する潜在的汚染状態を正確にモデル化することで、健康リスク評価の基盤を提供すること。

提案手法

• モデルは、観測方程式（PM2.5と共変数）および状態方程式（潜在的汚染状態）の両方の依存構造に二変量コプチャを用いる。
• 潜在的状態は、コプチャに基づく遷移分布を有する1次マルコフ過程としてモデル化され、柔軟な非線形ダイナミクスを可能にする。
• ベイジアン推論はハミルトニアン・モンテカルロ（HMC）を用い、事後分布はコプチャ密度と依存パrameterに一様事前分布を定義することで定義される。
• 状態方程式の潜在変数はHMCアルゴリズムのパラメータとして扱われ、状態とモデルパラメータの同時推定が可能になる。
• コプチャモデリングの有効性を保つために、観測データを一様変量に変換するための確率積分変換を用いる。
• ノ・ユ・ツア・サンプラーを用いて、HMCのパラメータ（ステップサイズ、軌道長、質量行列）を自動的に調整し、サンプリング効率を向上させる。

実験結果

リサーチクエスチョン

• RQ1 コプチャに基づく依存構造を有する非線形的・非ガウス的状態空間モデルは、標準的なガウス型モデルに比べ、北京の1時間ごとのPM2.5および気象データのダイナミクスをよりよく捉えることができるか？
• RQ2 本モデルが特定する潜在的汚染状態は、天候や季節性といった共変数では十分に説明されない極端な汚染イベントとどのように関連しているか？
• RQ3 本モデルは、仮想の気候シナリオのもとで、将来のPM2.5濃度をどの程度正確にシミュレートできるか？その結果、公衆衛生計画に実用的インサイトを提供できるか？
• RQ4 コプチャに基づくモデリングの柔軟性は、大気汚染時系列における周辺分布と尾部依存構造の推定をどの程度向上させるか？

主な発見

• 標準的なガウス型状態空間モデルは、PM2.5データの真の時間的ダイナミクス、特に極端な値や非線形的依存関係を捉えられていない。
• 提案されたコプチャベースの状態空間モデルは、周辺分布と複雑な依存構造の両方を効果的にモデル化でき、非ガウス的行動の正確な表現を可能にする。
• モデルは、共変数の影響を超えて顕著にPM2.5濃度に影響を与える潜在的状態の時間的ポイントを特定し、それらが説明されない汚染の急増に対応していることを示している。
• 適応的チューニング（ノ・ユ・ツア・サンプラーを用いた）ハミルトニアン・モンテカルロは、高次元かつ非線形なコプチャモデルにおける効率的かつ信頼性の高い事後分布サンプリングを可能にする。
• 本モデルは、シナリオベースの予測を支援でき、関係者に異なる気象条件のもとでのPM2.5濃度予測を可能にする。
• 本手法は、ビーン・コプチャを用いることで多変量応答および高次元依存構造へと拡張可能であり、将来的な多汚染物質モデリングへの応用が可能である。