[論文レビュー] Predicting Urban Water Quality with Ubiquitous Data

Liu Ye, Yuxuan Liang+3 more|arXiv (Cornell University)|Oct 29, 2016

Water Quality Monitoring Technologies参考文献 63被引用数 41

ひとこと要約

本論文は、気象、POI、配管ネットワーク、リアルタイムの水質測定値など、異種の都市データソースを用いて、複数の水質監視局で都市の水質を予測するためのデータ駆動型時空間マルチタスクマルチビュー学習フレームワーク（stMTMV）を提案する。この手法は、1～4時間先の予測において85％の予測精度を達成し、単一タスクおよび単一ビューのベースラインをRMSEで11～12％上回る。

ABSTRACT

Urban water quality is of great importance to our daily lives. Prediction of urban water quality help control water pollution and protect human health. However, predicting the urban water quality is a challenging task since the water quality varies in urban spaces non-linearly and depends on multiple factors, such as meteorology, water usage patterns, and land uses. In this work, we forecast the water quality of a station over the next few hours from a data-driven perspective, using the water quality data and water hydraulic data reported by existing monitor stations and a variety of data sources we observed in the city, such as meteorology, pipe networks, structure of road networks, and point of interests (POIs). First, we identify the influential factors that affect the urban water quality via extensive experiments. Second, we present a multi-task multi-view learning method to fuse those multiple datasets from different domains into an unified learning model. We evaluate our method with real-world datasets, and the extensive experiments verify the advantages of our method over other baselines and demonstrate the effectiveness of our approach.

研究の動機と目的

• 時空間的次元における非線形的で多次元要因が関与する都市水質の変動に取り組む。
• 気象、POI、配管ネットワーク、水使用パターンなど、都市水質に影響を与える主な要因を特定する。
• 局所的なステーション固有のダイナミクスと、ステーション間のグローバルな空間相関を両方とも捉える統一された学習モデルを開発する。
• 水質の正確なリアルタイム予測を可能にし、予防的水質管理および汚染制御を支援する。

提案手法

• 気象条件、POI密度、配管ネットワークの特徴、時間帯のパターンを含む、水質に影響を与える空間的・時間的要因を特定するための包括的なデータ分析を実施する。
• 複数の水質監視局（マルチタスク）を統合的にモデル化し、多様なデータソースからの統合（マルチビュー）を実現する、時空間マルチタスクマルチビュー学習（stMTMV）フレームワークを設計する。
• 水質、水力データ、道路網、POI、天候といった異種のデータストリームを、共有特徴学習とタスク固有の特徴学習を用いて統一表現に統合する。
• stMTMVフレームワーク内での非線形関係をモデル化するために、径路基底関数（RBF）ネットワークをベースレグレッサーとして採用する。
• 複数タスク学習を活用して、ステーション間で情報共有を実現し、特に歴史的データが限られるステーションの汎化性能を向上させる。
• 異なるデータドメイン（例：空間的構造対時間的天候トレンド）からの補完的信号を活用することで、モデルのロバスト性と精度を向上させるマルチビュー学習を採用する。

実験結果

リサーチクエスチョン

• RQ1 どの空間的・時間的要因が、異なる監視局において都市水質に顕著に影響を与えるか？
• RQ2 POIや配管ネットワーク、天候などの複数の異種データソースを効果的に統合することで、水質予測の精度をどのように向上させられるか？
• RQ3 ステーション間の空間相関をモデル化することで、個別ステーションレベルのモデルと比較して、予測精度がどの程度向上するか？
• RQ4 マルチタスク・マルチビュー学習フレームワークは、都市水質予測において単一タスクまたは単一ビューのベースラインを上回ることができるか？

主な発見

• stMTMVフレームワークは、1～4時間先の水質予測において約85％の予測精度を達成し、従来のRC減衰モデルを著しく上回る。
• 単一タスク学習（LR）と比較してRMSEが約11％改善され、単一ビューベースライン（t-viewおよびs-view）と比較して11～12％改善された。
• 気象データ、POI分布、配管ネットワークの特徴が、水質変動に最も影響を与える要因の一つとして特定された。
• 空間的要因（例：道路網、POI）と時間的要因（例：時間帯、気温）の統合が、モデル性能の顕著な向上に寄与した。
• マルチタスク学習は、特に観測が少ない地域に恩恵をもたらすように、知識をステーション間で共有することで、データ不足の問題を効果的に緩和した。
• 提案されたフレームワークは汎用性が高く、都市コンピューティング分野における他の多地点時空間予測問題への応用が可能である。