[論文レビュー] Calibration of Spatial Forecasts from Citizen Science Urban Air Pollution Data with Sparse Recurrent Neural Networks

Matthew Bonas, Stefano Castruccio|arXiv (Cornell University)|May 6, 2021

Air Quality Monitoring and Forecasting参考文献 37被引用数 4

ひとこと要約

本論文は、サンフランシスコの市民科学データから高分解能の空間予測をキャリブレーションするため、スパースな再帰的ニューラルネットワークにスパイクアンドスラブ事前分布を組み合わせた手法を提案する。スパース性を強制し、マージナルおよび空間的予測のキャリブレーションを高速化することで、最大5日間の予測において、標準的な時系列手法に比べて平均二乗誤差を35.7%低減する。

ABSTRACT

With their continued increase in coverage and quality, data collected from personal air quality monitors has become an increasingly valuable tool to complement existing public health monitoring system over urban areas. However, the potential of using such `citizen science data' for automatic early warning systems is hampered by the lack of models able to capture the high-resolution, nonlinear spatio-temporal features stemming from local emission sources such as traffic, residential heating and commercial activities. In this work, we propose a machine learning approach to forecast high-frequency spatial fields which has two distinctive advantages from standard neural network methods in time: 1) sparsity of the neural network via a spike-and-slab prior, and 2) a small parametric space. The introduction of stochastic neural networks generates additional uncertainty, and in this work we propose a fast approach for forecast calibration, both marginal and spatial. We focus on assessing exposure to urban air pollution in San Francisco, and our results suggest an improvement of 35.7% in the mean squared error over standard time series approach with a calibrated forecast for up to 5 days.

研究の動機と目的

• 低コストの市民が収集したセンサー・データを用いて、都市部における高分解能で非線形な空間時間的空気質パターンを予測する課題に対処すること。
• 交通や住宅用暖房などの局所的排出源を捉えることができない標準的な時系列モデルの限界を克服すること。
• 小さなパrametric空間と内在的な不確実性の定量化を備えた、信頼性の高い長期予測のための機械学習フレームワークを開発すること。
• マージナルおよび空間的予測の信頼性を向上させる、高速なキャリブレーション手法を導入すること。

提案手法

• スパース性を強制し、モデルの複雑さを低減するために、スパースな再帰的ニューラルネットワークアーキテクチャにスパイクアンドスラブ事前分布を適用する。
• ネットワーク内の確率的要因が不確実性を生じさせ、これが高速でスケーラブルなキャリブレーション手順を用いて明示的にモデル化され、キャリブレーションされる。
• キャリブレーション手法は、予測出力のマージナル分布と空間的依存構造を同時に適用する。
• 本手法は、サンフランシスコの個人用モニタから収集された高周波で空間的に密集した空気質データを用いて訓練および評価される。
• モデルのパフォーマンスは、主に平均二乗誤差（MSE）を指標として用いた、標準的な時系列予測手法とのベンチマーク比較によって評価される。
• 本フレームワークは、局所的排出源のダイナミクスを保持したまま、スパースで不規則にサンプリングされた都市部の空気質データに対処できるように設計されている。

実験結果

リサーチクエスチョン

• RQ1 スパイクアンドスラブ事前分布を備えたスパースな再帰的ニューラルネットワークは、市民科学データから高分解能の空間時間的空気質パターンを効果的にモデル化できるか？
• RQ2 提案されたキャリブレーション手法は、標準的な時系列アプローチに比べて予測信頼性をどのように向上させるか？
• RQ3 本モデルは、都市のマイクロ環境において、複数日予測の予測誤差をどの程度低減できるか？
• RQ4 従来のモデルに比べて、交通や暖房排出源のような非線形的で局所的な汚染源を、本モデルはより効果的に捉えることができるか？

主な発見

• 提案されたモデルは、最大5日間の空間的予測において、標準的な時系列予測手法に比べて平均二乗誤差を35.7%低減する。
• スパイクアンドスラブ事前分布の統合により、小さなパrametric空間を維持しながらも、高い予測精度と解釈可能性を達成している。
• 高速なキャリブレーション手順により、マージナルおよび空間的予測の信頼性が効果的に向上し、予測の信頼性が高まる。
• 本モデルは、交通や住宅用暖房などの局所的都市排出源によって駆動される複雑で非線形な空間時間的ダイナミクスを効果的に捉えている。
• 本手法は、個人用センサーからの高周波でスパースな都市部空気質監視データにおいて、優れた一般化性能を示している。
• 結果から、スパースで確率的なネットワークからのキャリブレーション済み予測が、都市部の空気質予測タスクにおいて従来のモデルを上回ることが確認された。