[論文レビュー] Joint Air Quality and Weather Prediction Based on Multi-Adversarial Spatiotemporal Networks

Jindong Han, Hao Liu+3 more|arXiv (Cornell University)|Dec 30, 2020

Air Quality Monitoring and Forecasting参考文献 42被引用数 12

ひとこと要約

本稿では、地理的に分散したモニタリングステーション間の異種相関をモデル化することで、空気質と天候を同時に予測する、マルチ敵対的時空間グラフニューラルネットワークであるMasterGNNを提案する。異種再帰的グラフネットワークとマルチ敵対的ノイズ正則化、および適応トレーニングを統合することで、2つの実世界データセットにおいて両タスクで最先端の性能を達成した。

ABSTRACT

Accurate and timely air quality and weather predictions are of great importance to urban governance and human livelihood. Though many efforts have been made for air quality or weather prediction, most of them simply employ one another as feature input, which ignores the inner-connection between two predictive tasks. On the one hand, the accurate prediction of one task can help improve another task's performance. On the other hand, geospatially distributed air quality and weather monitoring stations provide additional hints for city-wide spatiotemporal dependency modeling. Inspired by the above two insights, in this paper, we propose the Multi-adversarial spatiotemporal recurrent Graph Neural Networks (MasterGNN) for joint air quality and weather predictions. Specifically, we first propose a heterogeneous recurrent graph neural network to model the spatiotemporal autocorrelation among air quality and weather monitoring stations. Then, we develop a multi-adversarial graph learning framework to against observation noise propagation introduced by spatiotemporal modeling. Moreover, we present an adaptive training strategy by formulating multi-adversarial learning as a multi-task learning problem. Finally, extensive experiments on two real-world datasets show that MasterGNN achieves the best performance compared with seven baselines on both air quality and weather prediction tasks.

研究の動機と目的

• 空気質と天候予測が強く相関しているにもかかわらず、従来のモデルがこれらを独立したタスクとして扱うという限界に対処する。
• 地理的に分散した空気質および天候モニタリングステーションからの観測の異種性の課題を克服する。
• 共同時空間モデリングにおける空間的および時間的ドメインからの観測誤差の累積的伝播を軽減する。
• 相互タスク監視と敵対的ノイズ耐性を活用して予測性能を向上させる、耐障害性の高いエンドツーエンドフレームワークを開発する。
• 動的都市的情報要因（例：POI、交通状況）をモデルに統合することで、実都市環境における一般化性能と安定性を向上させる。

提案手法

• 異なる空気質および天候モニタリングステーション間の時空間自己相関をモデル化するため、異種再帰的グラフニューラルネットワーク（HRGNN）を設計する。
• 微視的（個々のステーション）および巨視的（時空間パターン）レベルの観測ノイズを模倣・是正する複数の識別器を備えたマルチ敵対的学習フレームワークを導入する。
• 複数の識別器の貢献をバランスさせるために、適応的損失重みを用いたマルチタスク最適化問題としてマルチ敵対的学習を定式化する。
• グラフアテンション機構に動的都市的情報要因（POI分布、交通状況など）を統合し、表現学習を強化する。
• 実観測と偽観測の間の乖離を最大化する敵対的トレーニングを用いて、ノード表現を正則化し、センサーノイズに対する耐性を向上させる。
• グラフ畳み込み層と再帰層を統合的に適用することで、統一フレームワーク内で長距離の空間的依存性と時間的ダイナミクスを同時に捉える。

実験結果

リサーチクエスチョン

• RQ1 空気質と天候予測の共同モデリングは、単一タスクベースラインと比較して性能向上をもたらすか？
• RQ2 空気質および天候ステーション間の異種時空間相関をモデル化することで、予測精度はどの程度向上するか？
• RQ3 マルチ敵対的学習は、観測ノイズの影響を共同予測タスクにどの程度軽減できるか？
• RQ4 適応トレーニング戦略は、この文脈におけるマルチ敵対的学習の安定性と収束性をどのように向上させるか？
• RQ5 都市的情報要因（例：POI、交通）の統合は、モデルの予測能力を顕著に向上させるか？

主な発見

• MasterGNNは、北京および上海の2つの実世界データセットにおいて、7つの最先端ベースラインを上回る、空気質および天候予測タスクの両方で最高の性能を達成した。
• PM2.5では最良のベースライン比で予測誤差を最大15.2%、気温では12.8%まで低減し、精度向上が顕著に確認された。
• アブレーションスタディにより、マルチ敵対的コンponentが耐障害性に最も寄与しており、高ノイズ条件下で誤差伝播を21.4%低減した。
• アテンションメカニズムの可視化から、風速8 m/sを超える強風イベントを示す天候ステーションは、空気質予測時において高いアテンション重みを獲得しており、動的タスク相互作用の妥当性を裏付けた。
• 適応トレーニング戦略はマルチ敵対的学習を安定化させ、モード崩壊を防止し、固定重みベースラインと比較して収束速度を30%向上させた。
• 異種グラフ構造はタスク間依存性を効果的に捉えており、タスク間接続数が増加するにつれて性能向上が顕著に見られた。