[論文レビュー] PlumeNet: Large-Scale Air Quality Forecasting Using A Convolutional LSTM Network

Antoine Alléon, Grégoire Jauvion+2 more|arXiv (Cornell University)|Jun 14, 2020

Air Quality Monitoring and Forecasting参考文献 22被引用数 11

ひとこと要約

PlumeNetは、大規模な大気質予測システムを提案する。このシステムは、畳み込みLSTMニューラルネットワークを用い、リアルタイムの大気質測定値、天気予報、および大気質物理化学モデル（AQPCM）の出力を統合することで、ヨーロッパおよび米国全域で0.5°解像度でNO₂、O₃、PM₂.₅、PM₁₀を予測する。モデルは標準GPU上で数分で4日間の高精度な予測を実現し、従来手法を大きく上回る性能を発揮する一方で、計算コストが低いため頻繁な更新が可能である。

ABSTRACT

This paper presents an engine able to forecast jointly the concentrations of the main pollutants harming people's health: nitrogen dioxyde (NO2), ozone (O3) and particulate matter (PM2.5 and PM10, which are respectively the particles whose diameters are below 2.5 um and 10 um respectively). The forecasts are performed on a regular grid (the results presented in the paper are produced with a 0.5° resolution grid over Europe and the United States) with a neural network whose architecture includes convolutional LSTM blocks. The engine is fed with the most recent air quality monitoring stations measures available, weather forecasts as well as air quality physical and chemical model (AQPCM) outputs. The engine can be used to produce air quality forecasts with long time horizons, and the experiments presented in this paper show that the 4 days forecasts beat very significantly simple benchmarks. A valuable advantage of the engine is that it does not need much computing power: the forecasts can be built in a few minutes on a standard GPU. Thus, they can be updated very frequently, as soon as new air quality measures are available (generally every hour), which is not the case of AQPCMs traditionally used for air quality forecasting. The engine described in this paper relies on the same principles as a prediction engine deployed and used by Plume Labs in several products aiming at providing air quality data to individuals and businesses.

研究の動機と目的

• 多数の汚染物質を含む広域地理的領域におけるスケーラブルで低遅延の大気質予測システムの開発。
• リアルタイム監視ステーション、天気予報、AQPCM出力といった多様なデータソースを統合し、統一されたディープラーニングフレームワークに統合すること。
• 従来のAQPCMと比較して計算負荷を低減することで、予測の頻繁な更新（毎時）を可能にすること。
• 再帰的時空間アーキテクチャを用いて、最大4日間の長期予測を高精度に実現すること。
• 物理モデルの出力とデータ駆動型学習を組み合わせることで、予測性能が向上することを示すこと。

提案手法

• 時空間的依存関係をモデル化するため、畳み込みLSTM（ConvLSTM）ブロックに基づくエンコーダデコーダアーキテクチャを採用。
• ヨーロッパおよび米国全域をカバーする0.5°の均一グリッドを用い、大規模かつ空間連続的な予測を実現。
• 近年の監視ステーションからの大気質測定値、数値天気予報、物理的整合性を高めるためのAQPCM出力を入力として使用。
• 2019年の歴史的データを用いてエンドツーエンドで訓練し、96時間の予測範囲で損失を最小化。
• ConvLSTMの再帰的性質を活用し、初期の天気予報期間を超えた長期予測を可能に。
• カーネルサイズのアブレーションスタディにより、(3,3)カーネルが空間的文脈とモデルの複雑さのバランスを最適に保つことが確認された。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、高空間・高時間分解能で広域地理的領域にわたり、複数の大気汚染物質（NO₂、O₃、PM₂.₅、PM₁₀）を効果的に予測できるか？
• RQ2 AQPCM出力を統合することで、監視データと天気予報のみを用いる場合と比較して、予測精度がどの程度向上するか？
• RQ3 この長期的（最大4日間）の大気質予測において、ConvLSTMアーキテクチャは単純なベースラインをどの程度上回るか？
• RQ4 この時空間予測タスクにおいて、ConvLSTMブロックの最適なカーネルサイズは何か？
• RQ5 最小限の計算コストで高精度な予測を実現でき、最新の大気質測定値を用いた頻繁な再予測とリアルタイム更新が可能か？

主な発見

• PlumeNetモデルは、96時間予測範囲でグローバル平均評価損失が0.130に達し、単純なベースラインモデルを著しく上回った。
• NO₂の予測では、96時間で損失が0.168に達し、窒素酸化物予測において優れた性能を示した。
• (3,3)畳み込みカーネルを用いたモデルは、グローバル損失が0.166に達し、(1,1)および(5,5)カーネルよりも優れた性能を示した。これは最適な受容野サイズであることを示唆した。
• AQPCM出力の使用は、特に極端な汚染イベントの予測精度を顕著に向上させた。
• 最新の大気質測定値を用いた予測は、標準GPU上で数分で完了し、毎時の再予測が可能となった。
• ヨーロッパおよび米国を含む多様な地域で高い性能を維持し、NO₂およびO₃の両予測で一貫した結果を示した。