[論文レビュー] A Deep Learning Approach for Forecasting Air Pollution in South Korea Using LSTM

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

Air Quality Monitoring and Forecasting参考文献 11被引用数 59

ひとこと要約

本論文は、Daegu、Seoul、Beijing、Shenyang における大気汚染を、時系列の大気質および気象データを用いて予測する、LSTMベースのエンコーダ-デコーダRNNフレームワークを提案し、長期予測のためのさまざまなネットワーク構成を評価する。

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

• 都市部の韓国と周辺の都市における大気汚染予測の必要性を動機づける。
• 時系列の大気質および気象データに対応するLSTMベースのエンコーダ-デコーダRNNフレームワークを提案する。
• 異なるRNN構成が長期の（遠い時刻ステップ）予測精度にどう影響するかを評価する。

提案手法

• 時系列データをモデル化するために、Long Short-Term Memory ユニットを用いた再帰型ニューラルネットワークを使用する。
• 入力系列を予測された将来の汚染レベルへ写像するエンコーダ-デコーダアーキテクチャを採用する。
• Daegu、Seoul、Beijing、Shenyang からの大気汚染情報と気象情報の両方を組み込む。
• 長期予測に対する複数のRNN層の影響を評価するために、構成を実験的に比較する。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのエンコーダ-デコーダフレームワークは複数の都市に跨る大気汚染予測を改善できるか？
• RQ2 異なる多層RNN構成は遠い時刻ステップの予測精度にどう影響するか？
• RQ3 長期予測のために汚染データと気象データの両方を効果的に活用できるか？

主な発見

• 本研究は、遠い時刻の予測のために複数のRNN層を統合する効果を調査する。
• エンコーダ-デコーダLSTMフレームワークのさまざまな構成に対する予測精度を実験的に評価する。