[論文レビュー] A precise machine learning aided algorithm for land subsidence or upheave prediction from GNSS time series

Mostafa Kiani Shahvandi|arXiv (Cornell University)|Jun 6, 2020

Landslides and related hazards参考文献 19被引用数 4

ひとこと要約

本論文では、GNSS位置時間系列を用いて地盤沈下または隆昇を予測する機械学習支援アルゴリズムを提示する。データ前処理として、潮汐および大気信号を除去し、座標系を局所座標系に変換した後、8種類の機械学習モデルを適用した。ガウス過程（GP）が他のモデルを上回り、14件の実世界のGNSS時間系列において平均2 cm、最大4 mmの予測精度を達成した。

ABSTRACT

This paper is aimed at the problem of predicting the land subsidence or upheave in an area, using GNSS position time series. Since machine learning algorithms have presented themselves as strong prediction tools in different fields of science, we employ them to predict the next values of the GNSS position time series. For this reason, we present an algorithm that takes advantage of the machine learning algorithms for the prediction of positions in a GNSS time series. The proposed algorithm has two steps-preprocessing and prediction. In the preprocessing phase, the periodic tidal and atmospheric signals in the time series are removed and coordinates are transferred to the local coordinate system. In the prediction phase, eight different machine learning algorithms are used, namely, multilayer perceptron, Bayesian neural network, radial basis functions, Gaussian processes, k-nearest neighbor, generalized regression neural network, classification and regression trees, and support vector regression. We show the superiority of the Gaussian processes algorithm, compared to other methods, in 14 different real GNSS time series studies. The proposed algorithm can achieve up to 4 millimeters in accuracy, with the average accuracy as 2 centimeters across all time series.

研究の動機と目的

• GNSS位置時間系列を用いた地盤沈下または隆昇の高精度な予測手法の開発。
• GNSSデータから周期的で大気的および潮汐的信号を除去することで、予測精度の向上。
• 複数の機械学習アルゴリズムがGNSS時間系列のトレンド予測に与える性能を評価・比較すること。
• 特にガウス過程が、トータル法などの伝統的統計的手法を著しく上回ることを実証すること。
• 地球科学者および測地学研究者にとって、地盤表面変形を予測するための堅牢で汎用性の高いフレームワークを提供すること。

提案手法

• 前処理では、既知の周波数を持つ正弦波成分の最小二乗フィッティングに基づくパrametricモデルを用いて、周期的潮汐および大気信号を除去する。
• 時間系列を局所座標系に変換することで、予測の一貫性を向上させ、ノイズを低減する。
• 8種類の機械学習モデルを適用：多層パーセプトロン、ベイジアンニューラルネットワーク、径路基底関数、ガウス過程、k近傍法、一般化回帰ニューラルネットワーク、分類および回帰木、サポートベクタ回帰。
• 周期的信号モデルは $ y_k^p = \sum_{i=1}^m a_i \cos(2\pi f_i t_k) + b_i \sin(2\pi f_i t_k) $ で定義され、表1の周波数（例：0.5、1、14、30、180.1、359.5日）を用いる。
• 係数 $ a_i $ および $ b_i $ は、訓練データを用いた線形最小二乗法により推定され、適合された信号は元のデータから差し引かれ、トレンド成分のみを分離する。
• 予測は、トレンド除去済みかつ前処理済み時間系列に対する教師あり学習により実施され、MASE、MAE、RMSEの指標を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 伝統的統計的手法と比較して、機械学習モデルはGNSS時間系列からの地盤沈下または隆昇予測の精度を向上させることができるか？
• RQ2 多様な地球物理的および気象的条件下で、GNSS位置時間系列の予測に最も優れた機械学習アルゴリズムは何か？
• RQ3 周期的大気および潮汐信号の除去が、GNSSを用いた沈下/隆昇モデルの予測精度に与える影響は何か？
• RQ4 データの継続性（継続的 vs. 絶断的時間系列）が予測性能に与える影響は何か？
• RQ5 複数のGNSS局でデータ品質や環境条件が異なる状況に一般化可能な、統一された前処理および予測パイプラインを開発可能か？

主な発見

• ガウス過程（GP）が最高の予測精度を達成し、14件のGNSS時間系列において平均RMSEが0.0221 mm、平均MASEが0.0229であった。
• GPモデルは個々の時間系列で最大4 mmの精度を達成し、他の機械学習モデルおよび伝統的トータル法を著しく上回った。
• トータル法は極めて低い性能を示し、平均RMSEが23.9242 mm、平均MASEが72.2209であった。これは、本タスクにおいて不適切であることを確認した。
• 径路基底関数（RBF）ネットワークは最も精度が低く、平均RMSEが1525.0325 mm、平均MASEが1848.7074であった。これは、GNSS時間系列予測に不適切であることを示した。
• 継続的時間系列では予測精度が著しく高く、データ継続性が保たれればミリメートルレベルの精度が達成可能である一方、絶断的データでは精度がセンチメートルレベルに低下した。
• 提案されたアルゴリズムは、特にGPを用いた機械学習が、GNSSデータからの地盤沈下または隆昇予測に極めて効果的であることを示しており、従来の統計的手法に代わる堅牢な代替手段を提供する。