[논문 리뷰] A Bayesian Non-linear State Space Copula Model to Predict Air Pollution in Beijing

Alexander Kreuzer, Luciana Dalla Valle외 1명|arXiv (Cornell University)|2019. 03. 20.

Air Quality and Health Impacts참고 문헌 29인용 수 3

한 줄 요약

이 논문은 2014년의 시간대별 기상 및 오염 데이터를 사용하여 베이징의 PM2.5 수준을 예측하기 위해 새로운 베이지안 비선형 상태공간 커플라 모델을 제안한다. 관측 및 상태 방정식을 모두 커플라로 모델링하여 비정규성 및 비선형 종속성을 포착하고, 정확한 예측과 시나리오 기반 기후 영향 분석을 가능하게 하며, 극단적인 오염 사건을 더 잘 포착하는 바이어스 없는 표준 가우시안 상태공간 모델보다 성능이 뛰어나다.

ABSTRACT

Air pollution is a serious issue that currently affects many industrial cities in the world and can cause severe illness to the population. In particular, it has been proven that extreme high levels of airborne contaminants have dangerous short-term effects on human health, in terms of increased hospital admissions for cardiovascular and respiratory diseases and increased mortality risk. For these reasons, accurate estimation and prediction of airborne pollutant concentration is crucial. In this paper, we propose a flexible novel approach to model hourly measurements of fine particulate matter and meteorological data collected in Beijing in 2014. We show that the standard state space model, based on Gaussian assumptions, does not correctly capture the time dynamics of the observations. Therefore, we propose a non-linear non-Gaussian state space model where both the observation and the state equations are defined by copula specifications, and we perform Bayesian inference using the Hamiltonian Monte Carlo method. The proposed copula state space approach is very flexible, since it allows us to separately model the marginals and to accommodate a wide variety of dependence structures in the data dynamics. We show that the proposed approach allows us not only to predict particulate matter measurements, but also to investigate the effects of user specified climate scenarios.

연구 동기 및 목표

• 표준 가우시안 상태공간 모델이 베이징의 시간대별 PM2.5 및 기상 데이터의 비선형성과 비정규성을 포착하는 데에 한계가 있음을 해결하기 위해.
• 모수 분포와 종속성 구조를 별도로 모델링하는 탄력적인 통계적 프레임워크를 개발하여 극단적 오염 사건의 강건한 예측을 가능하게 하기 위해.
• 사용자가 지정한 기상 조건 하에서 향후 PM2.5 수준을 시뮬레이션함으로써 기후 영향에 대한 시나리오 기반 분석을 가능하게 하기 위해.
• 건강 영향과 연결된 시간에 따라 변화하는 잠재 오염 상태를 정확히 모델링하여 건강 위험 평가의 기초를 제공하기 위해.

제안 방법

• 모델은 이元 커플라를 사용하여 관측 방정식(예: PM2.5와 공변량)과 상태 방정식(잠재 오염 상태)의 종속성 구조를 지정한다.
• 잠재 상태는 비선형 역동성을 허용하는 커플라 기반 전이 분포를 갖는 일阶 마르코프 과정으로 모델링된다.
• 베이지안 추론은 해밀토니안 몬테카를로(HMC)를 사용하며, 사후 분포는 커플라 밀도와 종속성 매개변수에 대한 균일한 사전분포로 정의된다.
• 상태 방정식의 잠재 변수는 HMC 알고리즘에서 매개변수로 간주되어 상태와 모델 매개변수의 동시 추정이 가능해진다.
• 관측 데이터를 균일 분포 변수로 변환하기 위해 확률적 적분 변환을 사용하여 커플라 모델링에 대한 유효한 추론을 보장한다.
• 노-유-턴(Noo-U-Turn) 샘플러를 사용하여 HMC 매개변수(스텝 크기, 궤적 길이, 질량 행렬)를 적응적으로 조정함으로써 샘플링 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 비선형성과 비정규성을 갖는 상태공간 모델에 커플라 기반 종속성 구조를 적용하면, 표준 가우시안 모델보다 베이징의 시간대별 PM2.5 및 기상 데이터의 역동성을 더 잘 포착할 수 있는가?
• RQ2 모델이 식별한 잠재 오염 상태는 기상 및 계절성과 같은 공변량으로 설명되지 않는 극단적 오염 사건과 어떻게 관련이 있는가?
• RQ3 모델은 어떠한 가정 기반 기후 시나리오 조건 하에서도 향후 PM2.5 수준을 얼마나 잘 시뮬레이션할 수 있는가? 이는 공중보건 계획에 실질적인 통찰을 제공하는가?
• RQ4 커플라 기반 모델링의 유연성은 대기 오염 시계열의 모수 분포 및 꼬리 종속성 추정에 어떻게 기여하는가?

주요 결과

• 표준 가우시안 상태공간 모델은 PM2.5 데이터의 진정된 시간 역동성, 특히 극단적 값과 비선형 종속성을 포착하지 못한다.
• 제안된 커플라 기반 상태공간 모델은 모수 분포와 복잡한 종속성 구조를 성공적으로 모델링하여 비정규성 행동의 정확한 표현을 가능하게 한다.
• 모델은 공변량 효과를 초월하는 설명되지 않은 오염 급증과 관련된 잠재 상태가 크게 영향을 미치는 시점들을 식별한다.
• 적응적 조정(No-U-Turn 샘플러)을 적용한 해밀토니안 몬테카를로(HMC)는 고차원 비선형 커플라 모델에 대한 효율적이고 신뢰할 수 있는 사후 샘플링을 가능하게 한다.
• 모델은 시나리오 기반 예측을 지원하여 이해관계자가 다양한 기상 조건 하에서 PM2.5 수준을 예측할 수 있도록 한다.
• 이 접근법은 빈 커플라를 통해 다변량 반응 및 고차원 종속성으로 확장 가능하므로 향후 다오염물질 모델링에의 적용이 가능하다.