[論文レビュー] Deep-AIR: A Hybrid CNN-LSTM Framework for Air Quality Modeling in Metropolitan Cities

Yang Han, Qi Zhang+2 more|arXiv (Cornell University)|Mar 25, 2021

Air Quality Monitoring and Forecasting被引用数 8

ひとこと要約

Deep-AIR は、1×1畳み込み層を通じて、特にストリートキャノン効果、道路密度、建物形状といった分野特有の都市的ダイナミクスを統合することにより、大都市における細粒度の都市規模の大気質推定とステーションレベルの予測を向上させるハイブリッド CNN-LSTM フレームワークを提案する。香港では67.6%、北京では65.0%の精度を達成し、ベースラインモデルを上回った。

ABSTRACT

Air pollution has long been a serious environmental health challenge, especially in metropolitan cities, where air pollutant concentrations are exacerbated by the street canyon effect and high building density. Whilst accurately monitoring and forecasting air pollution are highly crucial, existing data-driven models fail to fully address the complex interaction between air pollution and urban dynamics. Our Deep-AIR, a novel hybrid deep learning framework that combines a convolutional neural network with a long short-term memory network, aims to address this gap to provide fine-grained city-wide air pollution estimation and station-wide forecast. Our proposed framework creates 1x1 convolution layers to strengthen the learning of cross-feature spatial interaction between air pollution and important urban dynamic features, particularly road density, building density/height, and street canyon effect. Using Hong Kong and Beijing as case studies, Deep-AIR achieves a higher accuracy than our baseline models. Our model attains an accuracy of 67.6%, 77.2%, and 66.1% in fine-grained hourly estimation, 1-hr, and 24-hr air pollution forecast for Hong Kong, and an accuracy of 65.0%, 75.3%, and 63.5% for Beijing. Our saliency analysis has revealed that for Hong Kong, street canyon and road density are the best estimators for NO2, while meteorology is the best estimator for PM2.5.

研究の動機と目的

• 大都市における大気質監視ステーションの希薄さという課題に対処し、都市規模の細粒度の大気汚染推定を可能にする。
• 深層学習を用いて、24時間先までのステーションレベルの大気汚染予測を向上させる。
• ストリートキャノン効果、道路密度、建物高さ／密度といった分野特有の都市的動的特徴を深層学習モデルに統合し、空間的・時間的予測を強化する。
• 1つの統合された深層学習フレームワーク内で、細粒度の推定と短期・中期の予測を同時に最適化する。
• 類似度分析を用いて、都市形態的および気象的要因の相対的な重要性を明らかにし、モデルの解釈可能性を向上させる。

提案手法

• 空間的および時間的依存性をモデル化するため、畳み込みニューラルネットワーク（CNN）と長短期記憶（LSTM）ネットワークを組み合わせたフレームワークを採用する。
• ストリートキャノン効果、道路密度、建物高さといった空気質と都市的動的特徴間の複雑なクロス特徴空間的相互作用を捉えるために、特に1×1畳み込み層を用いる。
• 気象条件、交通密度、建物形態を含む都市プロキシデータを、地面真値監視データの不足を補うために入力特徴として統合する。
• CNN部は都市的特徴間の空間的パターンおよび相互作用を学習し、LSTMは監視ステーションにおける汚染レベルの時間的ダイナミクスおよび時系列をモデル化する。
• 歴史的な大気質および都市的動的データを用いて、香港および北京でエンドツーエンドに学習を行い、空間補間を用いて都市規模の推定値を生成する。
• 予測の解釈および異なる汚染物質の予測において最も影響力のある入力特徴を特定するために、類似度分析を適用する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして深層学習フレームワークが、高密度都市環境における細粒度の都市規模の大気質推定とステーションレベルの予測を同時に向上させることができるか？
• RQ2 都市形態的特徴、特にストリートキャノン効果、建物密度、道路網構造が、大気汚染予測精度を向上させる役割を果たすか？
• RQ3 気象的条件と交通関連の都市的ダイナミクスは、PM2.5 や NO2 といった異なる汚染物質の予測において、それぞれどの程度の予測的重要性を有するか？
• RQ4 1×1畳み込み層は、都市的特徴と大気汚染レベルとの間の空間的相互作用のモデリングをどの程度向上させるか？
• RQ5 提案されたハイブリッド CNN-LSTM アーキテクチャは、データが少ない条件下でも、推定および予測の両タスクにおいて従来のベースラインを上回ることができるか？

主な発見

• Deep-AIR は、香港で67.6%、北京で65.0%の精度を達成し、ベースラインモデルを上回った。
• 1時間先の予測では、香港で77.2%、北京で75.3%の精度を達成し、優れた時間的予測性能を示した。
• 24時間先の予測では、香港で66.1%、北京で63.5%の精度を達成し、強固な長期予測能力を示した。
• 類似度分析により、香港ではNO2予測においてストリートキャノン効果と道路密度が最も影響力のある特徴であることが判明した一方、PM2.5推定では気象的要因が支配的であった。
• 1×1畳み込み層の統合により、都市形態と汚染レベルとの間の空間的相互作用を捉える能力が顕著に向上した。
• 本研究は、特にストリートキャノン効果に関連する分野特有の都市的要因が、高い予測価値を有することを確認した。これらの要因は、従来のモデルでしばしば無視されている。