[論文レビュー] HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method

Ling Chen, Jiahui Xu+5 more|arXiv (Cornell University)|Jan 12, 2021

Air Quality Monitoring and Forecasting参考文献 35被引用数 22

ひとこと要約

HighAir は、上位配信および下位更新戦略を用いた階層的グラフニューラルネットワークを提案し、都市レベルおよび監視局レベルの汚染パターンを、風向きに基づく動的エッジ重みを介して階層間相互作用でモデル化する。風向きに応じてエッジ重みを動的に調整し、揚子江デルタ地域のデータセットにおいて最先端手法を上回り、汚染拡散の複雑さおよび気象や土地利用などの要因を捉える精度に優れる。

ABSTRACT

Accurately forecasting air quality is critical to protecting general public from lung and heart diseases. This is a challenging task due to the complicated interactions among distinct pollution sources and various other influencing factors. Existing air quality forecasting methods cannot effectively model the diffusion processes of air pollutants between cities and monitoring stations, which may suddenly deteriorate the air quality of a region. In this paper, we propose HighAir, i.e., a hierarchical graph neural network-based air quality forecasting method, which adopts an encoder-decoder architecture and considers complex air quality influencing factors, e.g., weather and land usage. Specifically, we construct a city-level graph and station-level graphs from a hierarchical perspective, which can consider city-level and station-level patterns, respectively. We design two strategies, i.e., upper delivery and lower updating, to implement the inter-level interactions, and introduce message passing mechanism to implement the intra-level interactions. We dynamically adjust edge weights based on wind direction to model the correlations between dynamic factors and air quality. We compare HighAir with the state-of-the-art air quality forecasting methods on the dataset of Yangtze River Delta city group, which covers 10 major cities within 61,500 km2. The experimental results show that HighAir significantly outperforms other methods.

研究の動機と目的

• 都市および監視局レベルの複雑な汚染拡散を示す地域における空気質を正確に予測する課題に対処すること。
• 空間的階層構造に沿って、大気汚染物質、気象状態、土地利用の間の動的相互作用をモデル化すること。
• 構造的な階層的グラフ構造を通じて都市レベルおよび監視局レベルのパターンを捉えることで、予測性能を向上させること。
• 風向きなどの変化する環境要因に適応するメッセージパッシング機構を開発すること。
• 多層的な空間的依存関係と動的相関を統合することで、既存の手法を上回る予測精度を達成すること。

提案手法

• HighAir は、都市レベルおよび監視局レベルのサブグラフを有する階層的グラフ構造に基づいたエンコーダ・デコーダアーキテクチャを採用する。
• 上位配信（都市レベル特徴量を監視局に集約）および下位更新（監視局レベルの出力を用いて都市レベル特徴量を精緻化）の2つの階層間戦略を導入する。
• 各グラフレベル内での情報伝達を実現するため、ノード間でメッセージパッシング機構を用いて階層内相互作用をモデル化する。
• グラフ内のエッジ重みは、風向きに応じて動的に調整され、地点間での汚染物質の方向輸送を反映する。
• 予測精度を向上させるために、気象や土地利用などの外部要因をノード特徴量として統合する。
• 10都市にわたる揚子江デルタ地域の歴史的空気質、気象、地理的データを用いて、フレームワークをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 階層的グラフニューラルネットワークは、空気質予測における多スケール空間的依存関係をどのように効果的にモデル化できるか？
• RQ2 風向きに基づく動的エッジ重みは、都市および監視局間の汚染物質輸送のモデル化をどの程度改善できるか？
• RQ3 都市レベルおよび監視局レベルのグラフ間の階層間相互作用は、平坦または単一レベルの GNN と比較して予測性能を向上させることができるか？
• RQ4 気象や土地利用などの外部要因は、グラフベースの空気質予測モデルの予測精度にどのように影響を与えるか？
• RQ5 提案手法は、実世界の空気質データセットにおいて、既存の最先端手法を上回ることができるか？

主な発見

• HighAir は、揚子江デルタ地域のデータセットにおいて、既存の最先端手法を顕著に上回り、PM2.5 および他の汚染物質濃度の予測精度が向上している。
• 風向きに基づく動的エッジ重みの統合により、特に汚染発生時における方向性汚染物質輸送の捉えが向上し、モデルの性能が向上した。
• 階層的設計により、マクロスケールの都市パターンとマイクロスケールの監視局レベルの変動を両方学習可能となり、全体のロバスト性が向上した。
• 上位配信および下位更新戦略は、都市レベルと監視局レベル間の情報フローを効果的に促進し、特徴表現の質を向上させた。
• 各グラフレベル内でのメッセージパッシング機構は、局所的な空間的依存関係を効果的に捉え、予測性能の向上に寄与した。
• 10 つの主要都市を含む 61,500 km² の領域における実証的結果から、HighAir はベースラインモデルと比較して、複数の評価指標で優れた性能を示した。