[論文レビュー] Matrix Completion With Variational Graph Autoencoders: Application in Hyperlocal Air Quality Inference

Tien Huu, Duc Minh Nguyen+6 more|arXiv (Cornell University)|Nov 5, 2018

Air Quality Monitoring and Forecasting参考文献 22被引用数 4

ひとこと要約

本稿では、移動型センサーのデータを用いて超局所的空気質を推定するための変分グラフ自己オートエンコーダ（AVGAE）を提案する。空間的・時間的相関をストリートネットワークに基づくグラフと行列補完法でモデル化する。実世界のアンツワールで得られたNO₂およびPM₂.₅のデータセットにおいて、RMSEおよびMAEの両面で最先端のクリギング法および行列補完法のモデルを上回る性能を発揮した。

ABSTRACT

Inferring air quality from a limited number of observations is an essential task for monitoring and controlling air pollution. Existing inference methods typically use low spatial resolution data collected by fixed monitoring stations and infer the concentration of air pollutants using additional types of data, e.g., meteorological and traffic information. In this work, we focus on street-level air quality inference by utilizing data collected by mobile stations. We formulate air quality inference in this setting as a graph-based matrix completion problem and propose a novel variational model based on graph convolutional autoencoders. Our model captures effectively the spatio-temporal correlation of the measurements and does not depend on the availability of additional information apart from the street-network topology. Experiments on a real air quality dataset, collected with mobile stations, shows that the proposed model outperforms state-of-the-art approaches.

研究の動機と目的

• 移動型ステーションが収集する疎で時間分解能が低い測定値から超局所的空気質を推定する課題に対処すること。
• 交通や気象などの外部データに依存せずに、大気汚染データの空間的・時間的相関をモデル化すること。
• ストリートネットワークのトポロジーを用いて、空気質推定をグラフベースの行列補完問題として定式化すること。
• 汚染濃度に内在する複雑な空間的・時間的依存関係を捉える深層生成モデルを開発すること。
• 提案手法を実世界の移動型センサーのデータに対して評価し、最先端のベースラインと比較すること。

提案手法

• 本手法は、空気質データを行列としてモデル化し、行をストリートの位置、列を時間スロットとする。欠損値は推定対象とする。
• アンツワールのストリートネットワークを用いてグラフを構築し、ノードを位置、エッジを200mの距離閾値に基づいて定義する。
• 変分推論フレームワークを組み合わせた、グラフ畳み込みネットワーク（GCN）をエンコーダおよびデコーダに用いた変分グラフ自己オートエンコーダ（AVGAE）を提案する。
• 連続する時間スロット間の時間的近接性制約を導入し、時間的滑らかさを確保する。
• 潜在空間にKLダイバージェンス項を用いて正則化し、潜在変数に事前分布を確保する。
• デコーダは活性化関数を用いないGCN層で元の行列を再構築するが、σブランチはシグモイド関数を用いて予測値が正であることを保証する。

実験結果

リサーチクエスチョン

• RQ1 グラフベースの行列補完法は、移動型センサーのデータから超局所的空気質を効果的に推定できるか？
• RQ2 空間的および時間的相関を併用することで、従来の手法と比較して推定精度がどのように向上するか？
• RQ3 変分グラフ自己オートエンコーダは、非グラフベースおよびクリギングベースの行列補完モデルをどれほど上回るか？
• RQ4 交通や気象などの外部データを必要とせずに、モデルは一般化性能を発揮するか？
• RQ5 距離閾値や時間窓サイズなどのハイパーパrameterの選択に、モデルの性能はどれほど敏感か？

主な発見

• 実世界のデータセットにおいて、NO₂およびPM₂.₅の両汚染物質について、AVGAEは全評価手法の中で最小のRMSEおよびMAEを達成した。
• NO₂に関しては、AVGAEはRMSEが14.87、MAEが11.03を達成し、次に優れた手法（RGCNN）を両指標で10%以上上回った。
• PM₂.₅に関しては、AVGAEはRMSEが2.01、MAEが1.52を達成し、クリギングおよび行列補完ベースラインを著しく上回った。
• 従来の手法の中で最も優れたのは指数関数的クリギングモデルであったが、依然としてAVGAEに劣り、深層グラフモデリングの優位性を示した。
• アブレーションスタディにより、グラフ構造および変分自己オートエンコーダの両成分が性能に不可欠であることが確認され、それぞれの除去により精度が最大15%低下した。
• 疎で不規則にサンプリングされた移動型データでも、空間的・時間的パターンを効果的に捉えることができ、実世界の条件下でも頑健性を示した。