[논문 리뷰] A Deep Learning Approach for Air Pollution Forecasting in South Korea Using Encoder-Decoder Networks & LSTM.

Tien-Cuong Bui, Van-Duc Le외 1명|arXiv (Cornell University)|2018. 04. 21.

Air Quality Monitoring and Forecasting인용 수 8

한 줄 요약

이 연구는 대구, 서울, 베이징, 선양의 역사적 대기질 및 기상 데이터를 사용하여 한국의 대기_POLLUTION을 예측하기 위해 인코더-디코더 Long Short-Term Memory (LSTM) 네트워크를 제안한다. 이 모델은 장기 예측 단계에서 향상된 예측 정확도를 보이며, 복잡한 결정론적 모델에 대한 확장 가능한 딥러닝 대안을 제공한다.

ABSTRACT

Tackling air pollution is an imperative problem in South Korea, especially in urban areas, over the last few years. More specially, South Korea has joined the ranks of the world's most polluted countries alongside with other Asian capitals, such as Beijing or Delhi. Much research is being conducted in environmental science to evaluate the dangerous impact of particulate matters on public health. Besides that, deterministic models of air pollutant behavior are also generated; however, this is both complex and often inaccurate. On the contrary, deep recurrent neural network reveals potent potential on forecasting out-comes of time-series data and has become more prevalent. This paper uses Recurrent Neural Network (RNN) with Long Short-Term Memory units as a framework for leveraging knowledge from time-series data of air pollution and meteorological information in Daegu, Seoul, Beijing, and Shenyang. Additionally, we use encoder-decoder model, which is similar to machine comprehension problems, as a crucial part of our prediction machine. Finally, we investigate the prediction accuracy of various configurations. Our experiments prevent the efficiency of integrating multiple layers of RNN on prediction model when forecasting far timesteps ahead. This research is a significant motivation for not only continuing researching on urban air quality but also help the government leverage that insight to enact beneficial policies

연구 동기 및 목표

• 서울과 대구와 같은 주요 도시에서 증가하는 도시 대기오염 문제를 다루기.
• 기존 결정론적 모델의 한계를 극복하기 위해, 이는 복잡하고 종종 대기질 예측에서 정확도가 떨어지기 때문이다.
• 딥러닝을 활용하여 미세먼지 및 관련 오염물질의 시계열 예측 정확도를 향상시키기.
• 장기 예측을 위한 스택드 RNN 및 인코더-디코더 아키텍처의 효과성을 조사하기.
• 도시 대기질 관리 정책 수립을 위한 실질적인 통찰을 제공하기 위해 예측 신뢰도를 향상시키기.

제안 방법

• 대기오염 및 기상 시계열 데이터의 시간적 의존성을 모델링하기 위해 장기 기억을 가진 순환 신경망(RNN)을 사용한다.
• 기계 번역에서 사용되는 시퀀스-투-시퀀스 모델을 영감으로 받아 미래 오염 수준을 예측하기 위한 인코더-디코더 아키텍처를 구현한다.
• 다양한 기후 및 오염 조건을 반영하기 위해 대구, 서울, 베이징, 선양 4개 도시의 역사적 데이터를 입력으로 사용하여 모델을 훈련시킨다.
• 오염 추세의 장기적 시간 패턴을 포착하기 위해 다중 스택된 LSTM 레이어를 사용하여 모델을 훈련시킨다.
• 다단계 예측의 오차를 최소화하기 위해 시퀀스 예측 손실 함수를 사용하여 모델을 최적화한다.
• 장기 예측을 위한 최적의 깊이 및 아키텍처를 도출하기 위해 다양한 구성에서 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 복잡한 기상 및 배출 패턴을 가진 도시 지역에서 인코더-디코더 LSTM 모델이 대기오염 수준을 효과적으로 예측할 수 있는가?
• RQ2 다중 LSTM 레이어 스택이 장기 대기질 예측의 정확도에 어떤 영향을 미치는가?
• RQ3 제안된 딥러닝 모델이 미세먼지 농도 예측에서 기존 결정론적 모델보다 우수한 성능을 보일 수 있는가?
• RQ4 다른 오염원과 기상 조건을 가진 도시 간에 모델 성능은 어떻게 달라지는가?
• RQ5 여러 단계 향후 예측을 위한 스택드 RNN의 최적 구성은 무엇인가?

주요 결과

• 인코더-디코더 LSTM 모델은 간단한 모델 대비 장기 대기오염 예측의 정확도를 향상시킨다.
• 다중 LSTM 레이어 스택은 오염 데이터의 장기적 시간 의존성을 포착하는 데 모델의 능력을 향상시킨다.
• 기상 및 오염 데이터의 통합은 모든 시험 도시에서 예측 신뢰도를 크게 향상시킨다.
• 모델은 대구, 서울, 베이징, 선양을 포함한 다양한 도시 환경에서 뛰어난 강건성을 보였다.
• 딥러닝 접근 방식이 복잡한 결정론적 대기질 모델에 대한 실용적이고 확장 가능한 대안이 될 수 있음을 확인했다.
• 결과적으로 이러한 모델은 정확한 장기 예측을 제공함으로써 도시 대기질 관리 정책 수립을 위한 근거 기반 의사결정을 지원할 수 있다.