[論文レビュー] Deep Inferential Spatial-Temporal Network for Forecasting Air Pollution Concentrations

Hao Wang, Bojin Zhuang+3 more|arXiv (Cornell University)|Sep 11, 2018

Air Quality Monitoring and Forecasting参考文献 6被引用数 9

ひとこと要約

本稿では、北京の35か所の監視ステーションにおけるPM2.5、PM10、O3濃度を48時間先まで予測するために、推論学習、畳み込みニューラルネットワーク（CNNs）、およびアテンションを備えたシーケンス・ツー・シーケンスモデルを統合した深層推論的空間時系列ネットワーク（DIST-NET）を提案する。歴史的な大気汚染および気象データを活用することで、大規模な実世界データセットにおいて、SMAPEおよびRMSEの両面で最先端の性能を達成した。

ABSTRACT

Air pollution poses a serious threat to human health as well as economic development around the world. To meet the increasing demand for accurate predictions for air pollutions, we proposed a Deep Inferential Spatial-Temporal Network to deal with the complicated non-linear spatial and temporal correlations. We forecast three air pollutants (i.e., PM2.5, PM10 and O3) of monitoring stations over the next 48 hours, using a hybrid deep learning model consists of inferential predictor (inference for regions without air pollution readings), spatial predictor (capturing spatial correlations using CNN) and temporal predictor (capturing temporal relationship using sequence-to-sequence model with simplified attention mechanism). Our proposed model considers historical air pollution records and historical meteorological data. We evaluate our model on a large-scale dataset containing air pollution records of 35 monitoring stations and grid meteorological data in Beijing, China. Our model outperforms other state-of-art methods in terms of SMAPE and RMSE.

研究の動機と目的

• 複雑な非線形的空間的・時系列的相関の下で、正確な長期にわたる大気汚染予測を実現すること。
• 複数の監視ステーションにおける主要な汚染物質（PM2.5、PM10、O3）の予測性能を向上させること。
• 直接測定がない地域に対しても推論学習を統合することで、空間的一般化を高めること。
• CNNを用いた空間パターンと、アテンションを備えたシーケンス・ツー・シーケンスモデルを組み合わせたハイブリッド深層学習フレームワークの構築。
• 北京における大気質および気象データの大型実世界データセットを用いて、モデルの評価を行うこと。

提案手法

• 直接センサーによる測定がない地域の汚染レベルを推定するための推論予測器を採用し、空間的カバレッジを向上させている。
• 2次元畳み込みニューラルネットワーク（CNNs）に基づく空間予測器により、監視ステーション間の空間的相関を捉えている。
• 簡略化されたアテンション機構を備えたシーケンス・ツー・シーケンスアーキテクチャを用いた時系列予測器により、汚染シーケンス内の時系列的依存関係をモデル化している。
• 歴史的な大気汚染記録とグリッドベースの気象データを統合して、予測を共同最適化している。
• 北京の35か所の監視ステーションからの空間時系列観測系列を、エンド・ツー・エンドで学習している。
• 推論的、空間的、時系列的コンポーネントの統合により、データが疎らで非線形的ダイナミクスが強い状況下でも、強固な予測が可能になった。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、大気汚染データにおける複雑な非線形的空間的・時系列的相関を効果的に捉えることができるか？
• RQ2 推論学習、CNNs、およびシーケンス・ツー・シーケンスモデルを統合したハイブリッドモデルは、48時間先の多汚染物質濃度をどれほど正確に予測できるか？
• RQ3 気象データを組み込むことで、汚染物質データのみを用いたモデルと比較して、予測精度がどの程度向上するか？
• RQ4 推論学習を活用することで、直接測定がないステーションに対してもモデルの一般化性能が向上するか？
• RQ5 実世界の大気質データにおいて、SMAPEおよびRMSEの観点から、本モデルは最先端の手法と比較してどの程度優れているか？

主な発見

• 提案されたDIST-NETモデルは、北京の大気質データセットにおいて、SMAPEおよびRMSEの両指標で最先端の手法を上回った。
• 48時間の予測期間にわたり、PM2.5、PM10、O3の3つの汚染物質すべてにおいて、予測誤差が低かった。
• 推論学習の統合により、監視カバレッジが薄い地域での性能が顕著に向上した。
• シーケンス・ツー・シーケンスモデルに簡略化されたアテンション機構を採用することで、時系列モデリングの効率性と正確性が向上した。
• CNNに基づく空間予測器は、北京の35か所の監視ステーション間の空間的依存関係を効果的に捉えていた。
• 実証的結果から、気象データを組み込むことで、汚染物質のみを用いたベースラインと比較して、より強固で正確な予測が得られることを確認した。