[論文レビュー] Deep-dust: Predicting concentrations of fine dust in Seoul using LSTM

Sookyung Kim, Jungmin Lee+2 more|arXiv (Cornell University)|Jan 29, 2019

Fire effects on ecosystems参考文献 8被引用数 9

ひとこと要約

本論文は、韓国ソウルの25の行政区で、39か所の大気質監視局および1か所の気象局から得られた歴史的データを用いて、1時間ごとの微細ダスト（PM₁₀およびPM₂.₅）濃度を予測するLSTMベースのディープラーニングモデルを提案する。モデルは、すべての場所で45 × 10⁻⁵未満の平均二乗誤差を達成し、汚染物質と気象変数の間の複雑な非線形相互作用を捉える強力な性能を示している。

ABSTRACT

Polluting fine dusts in South Korea which are mainly consisted of biomass burning and fugitive dust blown from dust belt is significant problem these days. Predicting concentrations of fine dust particles in Seoul is challenging because they are product of complicate chemical reactions among gaseous pollutants and also influenced by dynamical interactions between pollutants and multiple climate variables. Elaborating state-of-art time series analysis techniques using deep learning, non-linear interactions between multiple variables can be captured and used to predict future dust concentration. In this work, we propose the LSTM based model to predict hourly concentration of fine dust at target location in Seoul based on previous concentration of pollutants, dust concentrations and climate variables in surrounding area. Our results show that proposed model successfully predicts future dust concentrations at 25 target districts(Gu) in Seoul.

研究の動機と目的

• 大気質が悪化しやすく、地域的汚染と複雑な大気化学反応に影響を受ける、人口が多く工業化が進んだ都市・ソウルにおける微細ダスト濃度を予測する課題に対処すること。
• 複数のガス状汚染物質、 particulate matter（粒子状物質）および気象変数の間の非線形な時間的相互作用を捉えることができるディープラーニングモデルの開発。
• スケーラブルで、駅ごとに特化したモデルアプローチを用いて、ソウルの25の異なる行政区にわたり、局所的かつ1時間ごとのPM₁₀およびPM₂.₅予測を正確に実現すること。

提案手法

• モデルは、39か所の大気質監視局から得られるSO₂、CO、NO₂、O₃、PM₁₀、PM₂.₅の濃度および1か所の気象局から得られる9つの気象変数を含む、過去48時間分の履歴データを入力として使用する。
• 入力特徴量は正規化され、1つの入力ベクトルに連結され、出力ターゲットは次の時刻におけるPM₁₀およびPM₂.₅濃度の予測値である。
• 3層構造の長短期記憶（LSTM）ネットワークが、時系列入力を処理し、長期的な依存関係および時間的変動における非線形関係を学習する。
• モデルは、予測値と真値のPM濃度の間の平均二乗誤差損失関数を用いて学習され、各25のターゲット行政区ごとに個別にモデルを訓練することで、性能を最適化する。
• 最終のLSTMステップには、PM₁₀およびPM₂.₅の2出力予測を生成するための全結合層が含まれている。
• 正規化により、すべての入力および出力変数が0〜1の範囲にスケーリングされ、学習の安定性および収束性が向上する。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのディープラーニングモデルは、汚染物質と気象変数の間の複雑な非線形的相互作用を捉えることで、ソウルにおける将来のPM₁₀およびPM₂.₅濃度を効果的に予測できるか？
• RQ2 都市部の多様な地域において、汚染源や気象の空間的・時間的変動を考慮して、モデルの汎化性能はどの程度高いか？
• RQ3 48時間分の履歴データを入力として使用した場合、1時間ごとの予測において、モデルの予測精度はどの程度か？
• RQ4 単純なモデルと比較して、局所的および地域的な大気質および気象データを統合することで、予測性能がどの程度向上するか？
• RQ5 地域特化型のLSTMアーキテクチャは、1つのグローバルモデルに比べて、局所的な汚染ダイナミクスをより効果的に捉えることができるか？

主な発見

• モデルは、ソウルの25のすべてのターゲット行政区で、45 × 10⁻⁵未満の平均二乗誤差（MSE）を達成し、高い予測精度を示した。
• 最も低いMSEは、20番目の駅（江南区）で20.35 × 10⁻⁵、最も高いMSEは8番目の駅（鍾路区）で45.26 × 10⁻⁵であった。
• 2017年3月17日の可視化比較では、予測されたPM₁₀およびPM₂.₅値が、西大門区（8番目）の真値測定値のグローバルおよびローカルのトレンドをよく再現していた。
• 48時間分の入力ウィンドウが毎日のパターンと一致しているため、光の影響を受ける日周辺サイクル（特に二次汚染物質の生成）をモデルが効果的に捉えていた。
• 結果から、特にLSTMを用いたディープラーニングが、都市環境における複雑で非線形的かつ時間依存性の強い大気質ダイナミクスをモデリングするのに非常に効果的であることが示唆された。
• 著者らは、今後の改善策として、空間相関性をよりよく捉えるために、ConvLSTMやグラフニューラルネットワークを用いた空間時系列モデリングが有効であると結論づけた。