[論文レビュー] A multivariate water quality parameter prediction model using recurrent neural network

Dhruti Dheda, Ling Cheng|arXiv (Cornell University)|Mar 25, 2020

Hydrological Forecasting Using AI参考文献 13被引用数 5

ひとこと要約

本研究では、オーストラリアのバーネット川の溶解酸素濃度を予測するために、長短期記憶（LSTM）ネットワークを用いた多次元水質予測モデルを開発した。溶解酸素、pH、水温の歴史的データを活用した。単一ステップLSTMモデルは予測誤差0.01 mg/Lを達成した一方、マルチステップモデルはRMSE 0.227 mg/Lを達成し、正確でタイムリーな水質予測に深層学習を適用する可能性を示した。

ABSTRACT

The global degradation of water resources is a matter of great concern, especially for the survival of humanity. The effective monitoring and management of existing water resources is necessary to achieve and maintain optimal water quality. The prediction of the quality of water resources will aid in the timely identification of possible problem areas and thus increase the efficiency of water management. The purpose of this research is to develop a water quality prediction model based on water quality parameters through the application of a specialised recurrent neural network (RNN), Long Short-Term Memory (LSTM) and the use of historical water quality data over several years. Both multivariate single and multiple step LSTM models were developed, using a Rectified Linear Unit (ReLU) activation function and a Root Mean Square Propagation (RMSprop) optimiser was developed. The single step model attained an error of 0.01 mg/L, whilst the multiple step model achieved a Root Mean Squared Error (RMSE) of 0.227 mg/L.

研究の動機と目的

• 従来の水質モニタリングが高コストかつ時間がかかるという課題に対処するための予測モデリング。
• 歴史的データを活用した機械学習ベースのソリューションを提供し、水質劣化の早期検出を実現する。
• 単一ステップとマルチステップLSTMモデルの溶解酸素濃度予測性能を比較する。
• モデルアーキテクチャとハイパーパrameterが水質パラメータの予測精度に与える影響を評価する。
• タイムリーでデータドリブンな意思決定を可能にすることで、持続可能な水資源管理を支援する。

提案手法

• 単一ステップLSTMモデルは、溶解酸素、pH、水温の3つの入力特徴量を用い、1層のLSTMとReLU活性化関数を採用して学習した。
• マルチステップLSTMモデルは、2つの密接接続されたLSTM層を有し、ReLU活性化関数とRMSprop最適化を用いて、24時間先の値を予測した。
• モデルは複数年のバーネット川の水質履歴データを用いて学習され、過学習を防ぐためにエアリー・ストッピングが適用された。
• モデル学習はRMSpropを用い、検証損失に基づくエアリー・ストッピングにより最適化され、単一ステップモデルでは400エポック、マルチステップモデルでは1000エポックを実行した。
• モデルの性能は、平均二乗誤差（RMSE）と予測値と実測値の可視的比較により評価された。
• 単一ステップモデルは12時間先の1つの未来値を予測したのに対し、マルチステップモデルは30分間隔で24つの値を予測した。

実験結果

リサーチクエスチョン

• RQ1 多次元歴史的水質データを用いたLSTMベースのモデルは、川の溶解酸素濃度を正確に予測できるか？
• RQ2 モデルアーキテクチャ（単一層対複数層LSTM）は、予測精度と学習ダイナミクスにどのように影響するか？
• RQ3 単一ステップおよびマルチステップLSTMモデルの水質予測において、最適な訓練エポック数は何か？
• RQ4 異なる活性化関数と最適化手法は、モデルの収束性と予測誤差にどのように影響するか？
• RQ5 深層学習モデルは、水質モニタリングにおける高コストで時間がかかるラボテストの必要性をどの程度低減できるか？

主な発見

• 単一ステップLSTMモデルは0.01 mg/Lの予測誤差を達成し、1つの未来の溶解酸素値を予測する上で高い精度を示した。
• マルチステップLSTMモデルは、30分間隔で24つの未来値を予測した際、平均二乗誤差（RMSE）が0.227 mg/Lであった。
• 単一ステップモデルはマルチステップモデルよりも少ない訓練エポック（400）で学習が完了したため、より単純なアーキテクチャが高速収束をもたらすことが示された。
• マルチステップモデルは、より高い誤差を示したが、順序付きの値を予測するという点で、運用上の水資源管理にとって堅牢であった。
• 両モデルともpHと水温を補助入力として使用しており、これらが溶解酸素濃度と強く相関していることを確認した。
• 結果から、LSTMベースのモデルが水質パラメータを効果的に予測できることを確認し、水資源の能動的管理を可能にする。