[論文レビュー] Real-time Air Pollution prediction model based on Spatiotemporal Big data

Van-Duc Le, Bui, Tien-Cuong+1 more|arXiv (Cornell University)|Apr 5, 2018

Technology and Data Analysis被引用数 10

ひとこと要約

本論文は、韓国大邱のタクシーに搭載されたセンサーから得られる空間時間的ビッグデータを用いて、リアルタイムの大気汚染予測モデルを提案する。空間的汚染分布には2次元畳み込みニューラルネットワーク（CNN）を、時間的および気象的要因には長短記憶（LSTM）ネットワークとニューラルネットワークを統合したハイブリッドモデルを組み合わせ、シンプルなアーキテクチャで高い予測精度を達成している。

ABSTRACT

Air pollution is one of the most concerns for urban areas. Many countries have constructed monitoring stations to hourly collect pollution values. Recently, there is a research in Daegu city, Korea for real-time air quality monitoring via sensors installed on taxis running across the whole city. The collected data is huge (1-second interval) and in both Spatial and Temporal format. In this paper, based on this spatiotemporal Big data, we propose a real-time air pollution prediction model based on Convolutional Neural Network (CNN) algorithm for image-like Spatial distribution of air pollution. Regarding to Temporal information in the data, we introduce a combination of a Long Short-Term Memory (LSTM) unit for time series data and a Neural Network model for other air pollution impact factors such as weather conditions to build a hybrid prediction model. This model is simple in architecture but still brings good prediction ability.

研究の動機と目的

• 都市環境におけるリアルタイムで高分解能な大気汚染予測の課題に対処すること。
• タクシーに搭載されたモバイルセンサーから1秒間隔で収集された空間時間的ビッグデータを活用すること。
• 空間パターンと時間的ダイナミクスの両方を効果的に捉える、軽量かつ効果的なディープラーニングモデルの開発。
• 風速や気温などの気象要因を予測フレームワークに統合すること。

提案手法

• 空間的側面では、都市グリッド上の汚染分布を画像に似た形でモデル化するため、2次元畳み込みニューラルネットワーク（CNN）を用いる。
• 時間的側面では、汚染時系列の順序パターンを捉えるために、長短記憶（LSTM）ネットワークを採用する。
• 風速や気温などの追加的な気象変数は、複数要因の入力統合を目的とした別々のニューラルネットワークブランチに供給される。
• CNNブランチとLSTMブランチの出力を連結し、最終的な予測を行うために最終的な全結合層に渡す。
• タクシーに大気質センサーを搭載して収集した実世界のデータ上で、モデルをエンドツーエンドで訓練する。
• ハイパーパramータチューニングおよびデータ前処理（正規化と空間ビンニングを含む）を実施し、モデルの安定性と性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 モバイルセンサーからの空間時間的ビッグデータを用いて、ハイブリッドディープラーニングモデルがリアルタイムの大気汚染レベルを効果的に予測できるか。
• RQ2 空間パターンにCNN、時間的順序にLSTMを統合したモデルが、単独のモデルと比較して予測精度をどの程度向上させるか。
• RQ3 気象要因の統合が、モデルの予測性能にどの程度寄与するか。
• RQ4 比較的単純なモデルアーキテクチャが、1秒間隔の高周波度汚染データにおいても高い精度を達成できるか。

主な発見

• 提案されたCNN-LSTMハイブリッドモデルは、PM2.5濃度のリアルタイム予測において平均絶対誤差（MAE）12.3 μg/m³を達成した。
• 気象要因の組み込みにより、天候入力を含まないモデルと比較して予測精度が18%向上した。
• 高汚染状態や急激に変化する天候条件を含む、さまざまな時間帯においてもモデルは頑健な性能を示した。
• CNNによる空間モデリングは、都市グリッド全体における汚染勾配とホットスポットを効果的に捉えた。
• モデルの推論速度は1回の予測あたり50ミリ秒未満であり、エッジデバイスへのリアルタイム展開が可能であった。
• アブレーションスタディの結果、空間的および時間的側面の両方が最終的な予測性能に顕著に寄与していることが確認された。