[論文レビュー] A comparative study of statistical and machine learning models on near-real-time daily emissions prediction

Xiangqian Li|arXiv (Cornell University)|Feb 2, 2023

Air Quality Monitoring and ForecastingEnvironmental Science被引用数 3

ひとこと要約

本研究は、2020年から2022年までの中国における近実時間での日次二酸化炭素排出量予測を目的として、3つの統計モデル（ARIMA、SARIMAX、GM(1,1)）と3つの機械学習モデル（LSTM、RF、ANN）の合計6つのモデルを評価した。LSTMモデルは、MSE 3.5179e-04 および R² 0.9844 を含む5つの指標において最低の誤差を達成し、短期的な排出量予測において優れた性能を示した。

ABSTRACT

The rapid ascent in carbon dioxide emissions is a major cause of global warming and climate change, which pose a huge threat to human survival and impose far-reaching influence on the global ecosystem. Therefore, it is very necessary to effectively control carbon dioxide emissions by accurately predicting and analyzing the change trend timely, so as to provide a reference for carbon dioxide emissions mitigation measures. This paper is aiming to select a suitable model to predict the near-real-time daily emissions based on univariate daily time-series data from January 1st, 2020 to September 30st, 2022 of all sectors (Power, Industry, Ground Transport, Residential, Domestic Aviation, International Aviation) in China. We proposed six prediction models, which including three statistical models: Grey prediction (GM(1,1)), autoregressive integrated moving average (ARIMA) and seasonal autoregressive integrated moving average with exogenous factors (SARIMAX); three machine learning models: artificial neural network (ANN), random forest (RF) and long short term memory (LSTM). To evaluate the performance of these models, five criteria: Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE) and Coefficient of Determination () are imported and discussed in detail. In the results, three machine learning models perform better than that three statistical models, in which LSTM model performs the best on five criteria values for daily emissions prediction with the 3.5179e-04 MSE value, 0.0187 RMSE value, 0.0140 MAE value, 14.8291% MAPE value and 0.9844 value.

研究の動機と目的

• 中国における近実時間での日次二酸化炭素排出量を予測するための最も正確なモデルを特定すること。
• 統計モデル（ARIMA、SARIMAX、GM(1,1)）と機械学習モデル（LSTM、RF、ANN）を、単変量時系列排出データ上で比較すること。
• MSE、RMSE、MAE、MAPE、R² といった複数の標準指標を用いて、モデルの精度を評価すること。
• タイムリーで信頼性のある排出トレンド予測を可能にすることで、証拠に基づく気候政策を支援すること。

提案手法

• 本研究では、2020年1月1日から2022年9月30日までの単変量日次時系列データを用い、発電、産業、陸上輸送、住宅、国内航空、国際航空の6つの部門をカバーした。
• 3つの統計モデル（GM(1,1)、ARIMA、SARIMAX）と3つの機械学習モデル（ANN、RF、LSTM）の合計6つのモデルを訓練および評価した。
• モデルの性能は、平均二乗誤差（MSE）、平均二乗誤差の平方根（RMSE）、平均絶対誤差（MAE）、平均絶対誤差率（MAPE）、決定係数（R²）という5つの評価指標を用いて評価した。
• モデルは歴史的データを用いて訓練され、未知の日次排出トレンドに一般化できるかを確認するため、ホールドアウト検証セットを用いてテストした。
• 機械学習モデル（LSTM、RF、ANN）のハイパーパrameterは、交差検証を用いて最適化され、予測性能を向上させた。
• 本研究は単変量予測に焦点を当てており、外部共変数を除き、排出量の歴史的系列のみを用いる。ただし、SARIMAXは外部変数を組み込んでいる。

実験結果

リサーチクエスチョン

• RQ1 統計モデルと機械学習モデルのうち、どちらが中国における近実時間での日次排出量予測においてより高い正確性を示すか？
• RQ2 MSE、RMSE、MAE、MAPE、R² といった性能指標が、統計モデルと機械学習モデルの間で、日次排出量予測においてどのように比較されるか？
• RQ3 LSTMモデルは、日次排出量データの時間的パターンを捉える点で、他のモデルを顕著に上回っているか？
• RQ4 各モデルの相対的な安定性と頑健性は、異なる排出部門のトレンドにおいてどのように異なるか？

主な発見

• LSTMモデルは、MSE 3.5179e-04 を達成し、全5つの評価指標で最良の性能を示した。
• LSTMモデルは、RMSE 0.0187 を記録し、日次排出量予測において高い精度を示した。
• LSTMモデルは、MAE 0.0140 を達成し、予測誤差の平均が低いことを示した。
• LSTMモデルは、MAPE 14.8291% を記録し、割合ベースでの相対誤差が中程度であることを示した。
• LSTMモデルは、R² 0.9844 を達成し、排出量の分散の98.44%がモデルによって説明されていることを示した。
• 統計モデルの中で最も優れた性能を示したSARIMAXでさえ、全指標において3つの機械学習モデルに劣っていた。