[論文レビュー] Delhi air quality prediction using LSTM deep learning models with a focus on COVID-19 lockdown

Animesh Tiwari, Rishabh Gupta+1 more|arXiv (Cornell University)|Feb 21, 2021

Air Quality Monitoring and Forecasting被引用数 24

ひとこと要約

本論文は、デリーにおける短期の多ステップおよび長期のPM2.5予測のために、LSTMベースのモデル（LSTM、BD-LSTM、ED-LSTM）を開発・比較し、COVID-19ロックダウン期間を通じて評価し、不確実性の定量化を行う。

ABSTRACT

Air pollution has a wide range of implications on agriculture, economy, road accidents, and health. In this paper, we use novel deep learning methods for short-term (multi-step-ahead) air-quality prediction in selected parts of Delhi, India. Our deep learning methods comprise of long short-term memory (LSTM) network models which also include some recent versions such as bidirectional-LSTM and encoder-decoder LSTM models. We use a multivariate time series approach that attempts to predict air quality for 10 prediction horizons covering total of 80 hours and provide a long-term (one month ahead) forecast with uncertainties quantified. Our results show that the multivariate bidirectional-LSTM model provides best predictions despite COVID-19 impact on the air-quality during full and partial lockdown periods. The effect of COVID-19 on the air quality has been significant during full lockdown; however, there was unprecedented growth of poor air quality afterwards.

研究の動機と目的

• COVID-19ロックダウンの影響を受けるデリーにおける堅牢な短期および長期の大気質予測を動機づける。
• 多変量および単変量のPM2.5予測を対象に、LSTMベースのアーキテクチャ（LSTM、BD-LSTM、ED-LSTM）を評価する。
• スライディングウィンドウによる3次元データ表現を開発し、マルチステップ予測（80時間）と不確実性を定量化した1か月予測を可能にする。

提案手法

• PM2.5を含む11特徴の多変量時系列を使用する。
• N=5過去ステップとNout=10未来ステップ（80時間）用に2Dデータを3Dへ変換するためにスライディングウィンドウを適用する。
• LSTM、Bidirectional LSTM (BD-LSTM)、Encoder-Decoder LSTM (ED-LSTM) アーキテクチャを比較する。
• Adamオプティマイザ、200エポック、バッチサイズ20、ReLU活性化で学習; 30回の実行のRMSEを平均と95% CIで評価する。
• 単変量（PM2.5のみ）対多変量入力を調査し、COVID-19ロックダウンと季節変動がモデル性能に与える影響を評価する。
• 不確実性を定量化した1か月先予測を提供する。

実験結果

リサーチクエスチョン

• RQ1 デリーのPM2.5レベルは、モニタリング地点を跨いでCOVID-19ロックダウン期間中にどのように変化するか。
• RQ2 どのLSTMアーキテクチャ（LSTM、BD-LSTM、ED-LSTM）が最も正確なマルチステップPM2.5予測を提供するか。
• RQ3 特にロックダウン期間中、マルチ変量入力方式は単変量のPM2.5のみのアプローチより優れているか。
• RQ4 モデルは定量化された不確実性を伴う1か月先の信頼できる予測を提供できるか。

主な発見

• 多変量のBD-LSTMモデルは、一般にホライズン全体で最良の短期PM2.5予測を提供する。
• COVID-19ロックダウン期間は、完全 lockdown 時にPM2.5の顕著な低下を示し、規制緩和に伴い異なるパターンが観察される。
• 長期予測には不確実性の定量化が提供され、1か月予測の確率的解釈を可能にする。
• データ処理（シャッフルウィンドウ、季節データの訓練など）と入力が多変量か単変量かによって、モデル性能は変動する。
• 地点間でPM2.5はPM10およびNOx指標と相関があり、多変量モデリング戦略を支持する。