[논문 리뷰] A Deep Learning Approach for Forecasting Air Pollution in South Korea Using LSTM

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

Air Quality Monitoring and Forecasting참고 문헌 11인용 수 59

한 줄 요약

본 논문은 시간 시계열 대기질 및 기상 데이터를 사용하여 대구, 서울, 베이징, 심양의 대기오염을 예측하기 위해 LSTM 기반 인코더-디코더 RNN 프레임워크를 제시하고, 장기 예측을 위한 다양한 네트워크 구성을 평가한다.

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

• Urban South Korea 및 인접 도시에서 대기오염 예측의 필요성을 제시한다.
• 시간 시계열 대기질 및 기상 데이터에 대해 LSTM 기반 인코더-디코더 RNN 프레임워크를 제안한다.
• 다른 RNN 구성들이 장기 시계열 예측 정확도에 미치는 영향을 평가한다.

제안 방법

• 시간 시계열 데이터를 모델링하기 위해 Long Short-Term Memory 유닛을 갖춘 Recurrent Neural Network를 사용한다.
• 입력 시퀀스를 예측된 미래 오염 수준으로 매핑하기 위해 인코더-디코더 아키텍처를 채택한다.
• 대구, 서울, 베이징, 심양의 대기오염 및 기상 정보를 모두 포함한다.
• 여러 RNN 층의 구성 차이가 장기 예측에 미치는 영향을 평가하기 위해 구성들을 실험적으로 비교한다.

실험 결과

연구 질문

• RQ1 LSTM 기반 인코더-디코더 프레임워크가 다수의 도시에서 대기오염 예측을 개선할 수 있는가?
• RQ2 다른 다층 RNN 구성들이 먼 시점의 예측 정확도에 어떤 영향을 미치는가?
• RQ3 모델이 장기 예측을 위해 오염 데이터와 기상 데이터를 효과적으로 활용할 수 있는가?

주요 결과

• 연구는 다층 RNN을 사용한 장기 시점 예측의 효과성을 탐색한다.
• 실험은 인코더-디코더 LSTM 프레임워크의 다양한 구성에서 예측 정확도를 평가한다.