[論文レビュー] Dense Air Quality Maps Using Regressive Facility Location Based Drive By Sensing

Charul Paliwal, Pravesh Biyani|arXiv (Cornell University)|Jan 20, 2022

Air Quality Monitoring and Forecasting被引用数 7

ひとこと要約

本稿では、ドライブバイセンシングにおける最適なバスの選定を目的とした、再帰的施設配置（RFL）フレームワークを提案する。空間的滑らかさと時系列自己回帰的相関をモデル化することで、ベースライン手法に比べて空間的・時系列的サンプリングを改善し、補間されたAQマップにおける平均相対誤差（MRE）を最大25%まで低減する。

ABSTRACT

Currently, fixed static sensing is a primary way to monitor environmental data like air quality in cities. However, to obtain a dense spatial coverage, a large number of static monitors are required, thereby making it a costly option. Dense spatiotemporal coverage can be achieved using only a fraction of static sensors by deploying them on the moving vehicles, known as the drive by sensing paradigm. The redundancy present in the air quality data can be exploited by processing the sparsely sampled data to impute the remaining unobserved data points using the matrix completion techniques. However, the accuracy of imputation is dependent on the extent to which the moving sensors capture the inherent structure of the air quality matrix. Therefore, the challenge is to pick those set of paths (using vehicles) that perform representative sampling in space and time. Most works in the literature for vehicle subset selection focus on maximizing the spatiotemporal coverage by maximizing the number of samples for different locations and time stamps which is not an effective representative sampling strategy. We present regressive facility location-based drive by sensing, an efficient vehicle selection framework that incorporates the smoothness in neighboring locations and autoregressive time correlation while selecting the optimal set of vehicles for effective spatiotemporal sampling. We show that the proposed drive by sensing problem is submodular, thereby lending itself to a greedy algorithm but with performance guarantees. We evaluate our framework on selecting a subset from the fleet of public transport in Delhi, India. We illustrate that the proposed method samples the representative spatiotemporal data against the baseline methods, reducing the extrapolation error on the simulated air quality data. Our method, therefore, has the potential to provide cost effective dense air quality maps.

研究の動機と目的

• 都市部における高密度な静的大気質モニタリングの高コストを低減すること。
• ドライブバイセンシングに適した代表的なバスを選定することで、空間的・時系列的サンプリングの効率を向上させること。
• 大気質データにおける空間的滑らかさと時系列自己回帰的相関を活用し、より良いデータ補間を実現すること。
• 行列補完を用いた高密度なAQマップ再構築における外挿誤差を低減すること。
• 数百台の静的センサーを設置する代替手段としてのスケーラブルでコスト効率の良いソリューションを提供すること。

提案手法

• RFLフレームワークは、空間的滑らかさと時系列自己回帰的相関を組み込んだサブモジュラー目的関数を用いて大気質データをモデル化する。
• 因果的自己回帰構造を用いて、重複する連続したタイムスタンプのサンプリングを回避するように、多様な時系列サンプリングを優先する。
• フレームワークは、車両選定問題を再帰的施設配置問題として定式化し、理論的性能保証を伴うグリーディ選定を可能にする。
• 冗長性を低減するため、非隣接かつ代表的な位置を優先することで空間的カバレッジを最適化する。
• 現在のタイムスタンプとの相関が低下するに従い、将来のタイムスタンプに重みを付けることで、時系列的カバレッジを強化する。
• サンプルデータに対して行列補完を適用し、高密度な空間的・時系列的AQマップを再構築する。

実験結果

リサーチクエスチョン

• RQ1 最小限の移動車両で、大気質モニタリングに代表的な空間的・時系列的カバレッジを提供する方法は何か？
• RQ2 時系列自己回帰的相関をモデル化することで、補間された大気質マップの正確性はどの程度向上するか？
• RQ3 空間的滑らかさと時系列相関を併用することで、サンプリングの冗長性を低減し、補間品質を向上させられるか？
• RQ4 RFLフレームワークは、ベースライン手法と比較して、カバレッジと再構築誤差の両面でどの程度優れているか？
• RQ5 車両の経路選定において、空間的多様性と時系列相関の最適なバランスは何か？

主な発見

• ρ=0.98のRFLは、全バスサンプリング水準において、VBMC(CS)およびVBSF(CS)を上回り、高密度AQマップ再構築における平均相対誤差（MRE）が最小となった。
• 低バスサンプリング（20台）ではVBMC(CS)がVBSF(CS)を上回った。これは、低ランク性と時系列パターン学習が、希なデータではあまり効果を発揮しないことを示している。
• RFL(ρ=0.98)は、FLSベースラインに比べてMREを25%低減した。これは、より優れたサンプリングにより補間精度が向上したことを示している。
• カバレッジプロットから、MCLおよびFLSと比較して、特に時系列的カバレッジにおいて、RFLはより多様で代表的な場所とタイムスタンプをサンプリングしていた。
• フレームワークは、高いパーセンテージストップカバレッジ（PSC）とパーセンテージカバレッジ（PC）を達成しながら、優れたFLSゲインとRFLゲインを維持しており、空間的および時系列的サンプリングのバランスが取れていることを示している。
• RFL(ρ=0.98)は、時系列相関の減衰をよりよく処理できたため、RFL(ρ=0.99)よりも優れた性能を維持していた。