[論文レビュー] Indoor PM2.5 forecasting and the association with outdoor air pollution: a modelling study based on sensor data in Australia

Wenhua Yu, Bahareh Nakisa+4 more|arXiv (Cornell University)|May 13, 2024

Air Quality Monitoring and ForecastingEnvironmental Science被引用数 3

ひとこと要約

本研究では、2019年から2022年までのデータを用いて、オーストラリアの24棟の建物におけるセンサー情報から、1時間ごとの屋内PM2.5濃度を予測する3段階のディープアンサンブル機械学習（DEML）フレームワークを開発した。モデルはベンチマークを上回り、R²値は0.63から0.99、RMSEは0.01から0.663 mg/m³の範囲で、特に bushfire イベント中において屋外PM2.5と屋内濃度の強い関連性を明らかにした。

ABSTRACT

Exposure to poor indoor air quality poses significant health risks, necessitating thorough assessment to mitigate associated dangers. This study aims to predict hourly indoor fine particulate matter (PM2.5) concentrations and investigate their correlation with outdoor PM2.5 levels across 24 distinct buildings in Australia. Indoor air quality data were gathered from 91 monitoring sensors in eight Australian cities spanning 2019 to 2022. Employing an innovative three-stage deep ensemble machine learning framework (DEML), comprising three base models (Support Vector Machine, Random Forest, and eXtreme Gradient Boosting) and two meta-models (Random Forest and Generalized Linear Model), hourly indoor PM2.5 concentrations were predicted. The model's accuracy was evaluated using a rolling windows approach, comparing its performance against three benchmark algorithms (SVM, RF, and XGBoost). Additionally, a correlation analysis assessed the relationship between indoor and outdoor PM2.5 concentrations. Results indicate that the DEML model consistently outperformed benchmark models, achieving an R2 ranging from 0.63 to 0.99 and RMSE from 0.01 to 0.663 mg/m3 for most sensors. Notably, outdoor PM2.5 concentrations significantly impacted indoor air quality, particularly evident during events like bushfires. This study underscores the importance of accurate indoor air quality prediction, crucial for developing location-specific early warning systems and informing effective interventions. By promoting protective behaviors, these efforts contribute to enhanced public health outcomes.

研究の動機と目的

• オーストラリアの多様な屋内環境における1時間ごとの屋内PM2.5濃度を予測すること。
• 特に bushfire のような極端な出来事の際、屋内と屋外のPM2.5濃度の相関関係を調査すること。
• 公衆衛生対策に役立てるための、ロケーションに特化した強固な予測フレームワークを開発すること。
• 標準的なアルゴリズムと比較して、新規のディープアンサンブル機械学習手法の性能を評価すること。

提案手法

• 本研究では、3つのベースモデル（サポートベクターマシン（SVM）、ランダムフォレスト（RF）、eXtreme Gradient Boosting（XGBoost））を統合した3段階のディープアンサンブル機械学習（DEML）フレームワークを採用した。
• ベースモデルの予測を集約するために、2つのメタモデル（ランダムフォレストと一般化線形モデル）が使用され、全体の精度と一般化性能が向上した。
• 8つのオーストラリア都市（2019年～2022年）に設置された91台の屋内モニタからのセンサー情報を、モデルの学習と検証に用いた。
• 時間的安定性を確保するため、ローリングウィンドウ交差検証手法を採用して、モデルの性能を時系列的に評価した。
• 屋外PM2.5濃度と屋内濃度の間の相関分析を実施し、屋外汚染が屋内空気質に与える影響を評価した。
• R²およびRMSE指標を用いて、単体のSVM、RF、XGBoostモデルと比較して性能をベンチマーク評価した。

実験結果

リサーチクエスチョン

• RQ1 多様なオーストラリアの建物において、ディープアンサンブル機械学習モデルは、1時間ごとの屋内PM2.5濃度をどの程度正確に予測できるか？
• RQ2 特に高汚染状態の際、屋内PM2.5は屋外PM2.5濃度とどの程度相関しているか？
• RQ3 提案されたDEMLフレームワークは、SVM、RF、XGBoostといった個別の機械学習モデルと比較して、性能にどの程度優れているか？
• RQ4 異なる屋内環境において、予測モデルの時間的安定性と一般化能力はいかがなものか？

主な発見

• DEMLモデルは、大多数のセンサーでR²値が0.63から0.99の範囲に達し、優れた予測性能を示した。
• 平均二乗誤差（RMSE）は0.01から0.663 mg/m³の範囲であり、屋内PM2.5予測の高精度性を示した。
• SVM、RF、XGBoostといった個別のベンチマークモデルと比較して、R²およびRMSEの両指標で一貫して優れた性能を発揮した。
• 屋外PM2.5濃度は、特に bushfire イベント中において、屋内空気質に顕著な影響を与えた。
• 屋外汚染が高濃度に上昇した時期に、屋内と屋外のPM2.5濃度の相関が最も強かった。これは、リアルタイムでの監視と警報の必要性を強調している。
• 異なる建物タイプや場所にわたるフレームワークの強固さは、ロケーション特化型の早期警報システムの構築に有効であることを示している。