[論文レビュー] A Novel Hybrid Framework for Hourly PM2.5 Concentration Forecasting Using CEEMDAN and Deep Temporal Convolutional Neural Network

Fuxin Jiang, Chengyuan Zhang+2 more|arXiv (Cornell University)|Dec 7, 2020

Air Quality Monitoring and Forecasting参考文献 38被引用数 5

ひとこと要約

本稿では、完全集合の経験的モード分解と適応ノイズ（CEEMDAN）を用いたノイズ低減および特徴抽出の後、PM2.5、気象、時刻関連データにおける複雑な時間的パターンをモデル化するためのディープな時間的畳み込みニューラルネットワーク（DeepTCN）を組み合わせた、新しいハイブリッドモデルであるCEEMDAN-DeepTCNを、北京の時間分解能PM2.5データを用いて提示する。このモデルは、従来の時系列モデル、ニューラルネットワーク、および一般的なディープラーニングモデルを含むベンチマークモデルの中で、予測精度が最も高い結果を達成した。

ABSTRACT

For hourly PM2.5 concentration prediction, accurately capturing the data patterns of external factors that affect PM2.5 concentration changes, and constructing a forecasting model is one of efficient means to improve forecasting accuracy. In this study, a novel hybrid forecasting model based on complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) and deep temporal convolutional neural network (DeepTCN) is developed to predict PM2.5 concentration, by modelling the data patterns of historical pollutant concentrations data, meteorological data, and discrete time variables' data. Taking PM2.5 concentration of Beijing as the sample, experimental results showed that the forecasting accuracy of the proposed CEEMDAN-DeepTCN model is verified to be the highest when compared with the time series model, artificial neural network, and the popular deep learning models. The new model has improved the capability to model the PM2.5-related factor data patterns, and can be used as a promising tool for forecasting PM2.5 concentrations.

研究の動機と目的

• 汚染物質、気象、時刻関連データにおける複雑な時間的パターンを捉えることで、時間分解能PM2.5濃度予測の精度を向上させること。
• 高度な信号分解を用いて、PM2.5時系列データにおける非定常性とノイズの課題に取り組むこと。
• 従来のモデルを上回る性能を発揮するハイブリッドディープラーニングフレームワークを開発すること。
• 実世界の北京の大気質データを用いて、提案されたCEEMDAN-DeepTCNモデルの有効性を検証すること。

提案手法

• ノイズ低減および意味のあるパターン抽出のため、生PM2.5濃度時系列データを完全集合経験的モード分解（CEEMDAN）を用いて固有モード関数（IMFs）および残差成分に分解する。
• 風速、温度、湿度などの気象変数および時間の小時、週の曜日などの離散的時間変数を、分解されたPM2.5成分と併せて入力特徴として統合する。
• 分解済みで統合された入力系列における長距離時間的依存関係をモデル化するために、ディープな時間的畳み込みニューラルネットワーク（DeepTCN）を採用する。
• 歴史的パターンに基づいて将来のPM2.5濃度を予測するため、マルチステップ予測戦略を用いてエンドツーエンドでモデルを訓練する。
• RMSE、MAE、R²などの標準指標を用いてモデル性能を評価し、ベースラインモデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 CEEMDAN-DeepTCNハイブリッドモデルは、従来の時系列モデルおよびディープラーニングモデルと比較して、時間分解能PM2.5濃度予測の精度を向上させることができるか？
• RQ2 CEEMDAN分解は、非定常的かつノイズの多いPM2.5時系列データのモデリングにどの程度効果を発揮するか？
• RQ3 DeepTCNは、PM2.5、気象、時刻関連変数における長期的時間的依存関係をどの程度効果的に捉えることができるか？
• RQ4 気象および時間的特徴の統合は、ハイブリッドモデルの予測性能を向上させるか？

主な発見

• CEEMDAN-DeepTCNモデルは、ARIMA、LSTM、GRU、および標準的なニューラルネットワークを含む、すべての評価対象モデルの中で予測精度が最も高かった。
• モデルは予測誤差を顕著に低減し、北京PM2.5データセットにおいて最低のRMSEおよびMAE値を記録した。
• CEEMDAN分解はノイズを効果的に低減し、PM2.5時系列データの信号対ノイズ比を向上させ、後続のモデル性能を向上させた。
• DeepTCN部は、LSTMやGRUのような再帰的アーキテクチャと比較して、長期的時間的依存関係をモデル化する能力に優れていた。
• 気象および時刻関連特徴の統合は、一般化性能および予測精度の向上に寄与した。