[論文レビュー] A Deep Learning Approach for Air Pollution Forecasting in South Korea Using Encoder-Decoder Networks & LSTM.

Tien-Cuong Bui, Van-Duc Le+1 more|arXiv (Cornell University)|Apr 21, 2018

Air Quality Monitoring and Forecasting被引用数 8

ひとこと要約

本研究では、大邱、ソウル、北京、瀋陽の歴史的空気質および気象データを用いて、韓国における大気汚染を予測するため、エンコーダデコーダ型長短期記憶（LSTM）ネットワークを提案する。このモデルは、長期的なタイムステップにおける予測精度を向上させ、複雑な決定論的モデルの代替としてスケーラブルなディープラーニング手法を提供する。

ABSTRACT

Tackling air pollution is an imperative problem in South Korea, especially in urban areas, over the last few years. More specially, South Korea has joined the ranks of the world's most polluted countries alongside with other Asian capitals, such as Beijing or Delhi. Much research is being conducted in environmental science to evaluate the dangerous impact of particulate matters on public health. Besides that, deterministic models of air pollutant behavior are also generated; however, this is both complex and often inaccurate. On the contrary, deep recurrent neural network reveals potent potential on forecasting out-comes of time-series data and has become more prevalent. This paper uses Recurrent Neural Network (RNN) with Long Short-Term Memory units as a framework for leveraging knowledge from time-series data of air pollution and meteorological information in Daegu, Seoul, Beijing, and Shenyang. Additionally, we use encoder-decoder model, which is similar to machine comprehension problems, as a crucial part of our prediction machine. Finally, we investigate the prediction accuracy of various configurations. Our experiments prevent the efficiency of integrating multiple layers of RNN on prediction model when forecasting far timesteps ahead. This research is a significant motivation for not only continuing researching on urban air quality but also help the government leverage that insight to enact beneficial policies

研究の動機と目的

• ソウルや大邱を含む主要都市における都市の大気汚染の増加する課題に対処する。
• 大気質予測において複雑でしばしば不正確なため、従来の決定論的モデルの限界を克服する。
• 時系列予測の精度を向上させるためにディープラーニングを活用し、微粒子状態物質および関連汚染物質を予測する。
• スタックドRNNおよびエンコーダデコーダアーキテクチャが、長期的なタイムステップにおける大気汚染予測にどの程度有効であるかを調査する。
• 予測の信頼性を向上させることで、都市大気質管理のための政策立案者に実行可能なインサイトを提供する。

提案手法

• 大気汚染および気象時系列データの時間的依存性をモデル化するため、長短期記憶（LSTM）ユニットを備えた再帰的ニューラルネットワーク（RNN）を採用する。
• 機械翻訳で用いられるシーケンス・ツー・シーケンスモデルにインspiredされたエンコーダデコーダアーキテクチャを実装し、将来の汚染レベルを予測する。
• 異なる気候的および汚染条件をカバーするため、4都市（大邱、ソウル、北京、瀋陽）の歴史的データを入力として、モデルの学習に用いる。
• 長期間にわたる汚染トレンドの時間的パターンを捉えるために、複数のスタックドLSTM層を用いてモデルを訓練する。
• 複数ステップ先の予測誤差を最小化するために、シーケンス予測損失関数を用いてモデルを最適化する。
• さまざまな構成でのモデル性能を評価し、長期予測に最適な深さおよびアーキテクチャを特定する。

実験結果

リサーチクエスチョン

• RQ1 エンコーダデコーダ型LSTMモデルは、複雑な気象的および排出パターンを持つ都市地域における大気汚染レベルを効果的に予測できるか？
• RQ2 複数のLSTM層をスタックすることにより、長期的大気質予測の精度にどのような影響を与えるか？
• RQ3 提案されたディープラーニングモデルは、微粒子状態物質濃度の予測において、従来の決定論的モデルを上回るか？
• RQ4 異なる汚染源および天候条件を持つ都市間で、モデルの性能はどのように変動するか？
• RQ5 数ステップ先の大気汚染予測に最適なスタックドRNNの構成は何か？

主な発見

• エンコーダデコーダ型LSTMモデルは、単純なモデルと比較して、長期的な大気汚染予測の精度が向上している。
• 複数のLSTM層をスタックすることで、汚染データにおける長期的な時間的依存性を捉える能力が向上している。
• 気象および汚染データの統合により、全テスト都市において予測の信頼性が著しく向上している。
• モデルは、大邱、ソウル、北京、瀋陽を含む多様な都市環境において、強固な性能を示している。
• 本研究では、ディープラーニング手法が、複雑な決定論的大気質モデルの代替として実用的でスケーラブルであることが確認された。
• 結果から、こうしたモデルが、都市大気質管理のための正確で長期的な予測を提供することで、根拠に基づいた政策意思決定を支援できる可能性がある。