[論文レビュー] Deep-MAPS: Machine Learning based Mobile Air Pollution Sensing

Jun Song, Ke Han|arXiv (Cornell University)|Apr 28, 2019

Air Quality Monitoring and Forecasting参考文献 27被引用数 5

ひとこと要約

Deep-MAPSは、モバイルおよび固定型大気質センサー、都市ビッグデータ、空間的・時系列的特徴工学を活用した機械学習フレームワークを提案し、北京の1km×1kmおよび1時間ごとの解像度でPM2.5濃度を推定する。90.2%のR²の精度と13.88のRMSEを達成し、密度の高い固定センサー網に比べてハードウェアコストを最大90%削減しながら85%以上の精度を実現した。

ABSTRACT

Mobile and ubiquitous sensing of urban air quality has received increased attention as an economically and operationally viable means to survey atmospheric environment with high spatial-temporal resolution. This paper proposes a machine learning based mobile air pollution sensing framework, called Deep-MAPS, and demonstrates its scientific and financial values in the following aspects. (1) Based on a network of fixed and mobile air quality sensors, we perform spatial inference of PM2.5 concentrations in Beijing (3,025 km2, 19 Jun-16 Jul 2018) for a spatial-temporal resolution of 1km-by-1km and 1 hour, with over 85% accuracy. (2) We leverage urban big data to generate insights regarding the potential cause of pollution, which facilitates evidence-based sustainable urban management. (3) To achieve such spatial-temporal coverage and accuracy, Deep-MAPS can save up to 90% hardware investment, compared with ubiquitous sensing that relies primarily on fixed sensors.

研究の動機と目的

• 都市部における高空間的・時系列的解像度のPM2.5マッピングのためのスケーラブルで低コストなモバイル大気汚染センシングフレームワークの開発。
• 機械学習を活用して希釈なセンサーデータから汚染レベルを推定することで、大気質監視における資本投資を削減すること。
• 交通、土地利用、気象などの都市ビッグデータを統合し、予測精度を向上させる予測モデルの構築。
• 都市構造と人的活動との関連で明らかになる汚染ダイナミクスを解明し、根拠に基づいた都市政策を支援すること。
• 機械学習を強化したモバイルセンシングの科学的・財務的妥当性を、持続可能な都市管理の文脈で実証すること。

提案手法

• Deep-MAPSは、空間的・時系列的相関をモデル化するため、局所的、隣接的、マクロな特徴を組み合わせた深層学習アーキテクチャを採用している。
• 局所的特徴は、人口密度、道路網、土地利用などのグリッド固有の都市的特徴から抽出される。
• 隣接的特徴は、空間的・時系列的近隣領域に2次元畳み込みフィルタ（3×3および5×5）を適用することで計算され、局所的な空間的・時系列的依存性を捉える。
• 動的特徴は、時系列に沿って1×1、3×3、5×5の畳み込みフィルタを用いて処理され、汚染要因の時間的変化をモデル化する。
• マクロ特徴は、研究対象地域外の12か所の固定ステーションのPM2.5データから導出され、距離および風速に基づいた時間遅れを反映させることで、地域的大気汚染輸送をモデル化する。
• モデルへの最終入力は、局所的、隣接的、マクロ特徴を連結した特徴ボリュームであり、回帰処理のためにReLU活性化関数を備えた畳み込み層を通過する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いて、希釈なモバイルおよび固定センサーのデータから、1km×1kmおよび1時間ごとの高解像度PM2.5濃度を効果的に推定できるか？
• RQ2 都市ビッグデータ特徴を統合することで、従来の補間法や回帰法に比べ、PM2.5推定の精度がどの程度向上するか？
• RQ3 機械学習を強化したモバイルセンシングフレームワークに置き換えることで、密度の高い固定センサー網に比べて、ハードウェア投資をどの程度削減できるか？
• RQ4 マクロ特徴（12か所の外部固定ステーションのPM2.5データ）が、地域のPM2.5濃度予測に果たす貢献度はどの程度か？
• RQ5 都市構造とダイナミクス（例：交通、公共の活発さ）が、細かい空間的・時系列的スケールでの観測PM2.5濃度とどの程度相関するか？

主な発見

• Deep-MAPSは、局所的、隣接的、マクロ特徴をすべて使用した場合、R²が0.911、RMSEが13.17に達し、高い予測精度を示した。
• KNN、SVR、空間補間（IDWおよびKriging）といったベンチマーク手法を上回り、局所的、モバイル、マクロ特徴を組み合わせたDeep-MAPSは、SMAPEが15.54%、R²が90.2%を達成した。
• マクロ特徴（12か所の外部固定ステーションのPM2.5データ）を統合することで、モデル性能が著しく向上し、それらを含まないモデルと比較してRMSEが最大15%削減された。
• 本フレームワークは、北京の3,025km²の研究領域において、1km×1kmおよび1時間ごとの解像度でPM2.5濃度推定において85%以上の精度を達成した。
• Deep-MAPSは、密度の高い固定センサー網に比べ、高解像度の大気質監視に必要なハードウェア投資を最大90%削減できる可能性を示した。
• 都市ビッグデータの統合により、汚染源やダイナミクスに関するインサイトが得られ、根拠に基づいた都市政策立案および持続可能な管理を支援した。