[논문 리뷰] A Novel Hybrid Framework for Hourly PM2.5 Concentration Forecasting Using CEEMDAN and Deep Temporal Convolutional Neural Network

Fuxin Jiang, Chengyuan Zhang외 2명|arXiv (Cornell University)|2020. 12. 07.

Air Quality Monitoring and Forecasting참고 문헌 38인용 수 5

한 줄 요약

이 논문은 완전한 엔semble 경험적 모드 분해법과 적응형 노이즈(CEEMDAN)를 사용하여 노이즈 감소 및 특징 추출을 수행한 후, PM2.5, 기상 및 시간 관련 데이터의 복잡한 시간 패턴을 모델링하기 위해 딥 텀프널 컨volution 네트워크(DeepTCN)를 활용하는 새로운 하이브리드 모델인 CEEMDAN-DeepTCN을 제안한다. 베이징의 시간대별 PM2.5 데이터를 대상으로 테스트한 결과, 기존의 시간 시계열 모델, 인공 신경망, 인기 있는 딥러닝 모델들과 비교하여 가장 높은 예측 정확도를 확보하였다.

ABSTRACT

For hourly PM2.5 concentration prediction, accurately capturing the data patterns of external factors that affect PM2.5 concentration changes, and constructing a forecasting model is one of efficient means to improve forecasting accuracy. In this study, a novel hybrid forecasting model based on complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) and deep temporal convolutional neural network (DeepTCN) is developed to predict PM2.5 concentration, by modelling the data patterns of historical pollutant concentrations data, meteorological data, and discrete time variables' data. Taking PM2.5 concentration of Beijing as the sample, experimental results showed that the forecasting accuracy of the proposed CEEMDAN-DeepTCN model is verified to be the highest when compared with the time series model, artificial neural network, and the popular deep learning models. The new model has improved the capability to model the PM2.5-related factor data patterns, and can be used as a promising tool for forecasting PM2.5 concentrations.

연구 동기 및 목표

• 오염물질, 기상 및 시간 관련 데이터의 복잡한 시간 패턴을 포착하여 시간대별 PM2.5 농도 예측 정확도를 향상시키는 것.
• 고도화된 신호 분해를 통해 PM2.5 시계열 데이터의 비정상성과 노이즈 문제를 해결하는 것.
• 기존 모델보다 뛰어난 성능을 보이는 하이브리드 딥러닝 프레임워크를 개발하는 것.
• 실제 베이징 대기질 데이터를 기반으로 제안된 CEEMDAN-DeepTCN 모델의 효과성을 검증하는 것.

제안 방법

• 원시 PM2.5 농도 시계열 데이터를 내재 모드 함수(IMFs)와 잔차 성분으로 분해하기 위해 CEEMDAN 알고리즘을 적용하여 노이즈 감소 및 유의미한 패턴 추출을 수행한다.
• 풍속, 온도, 습도 등의 기상 변수와 시간대(예: 일일 시간대, 요일) 등의 이산적 시간 변수를 분해된 PM2.5 성분과 함께 입력 특징으로 통합한다.
• 분해된 및 융합된 입력 시퀀스의 장거리 시간 의존성을 모델링하기 위해 딥 텀프널 컨volution 네트워크(DeepTCN)를 활용한다.
• 과거 패턴을 기반으로 향후 PM2.5 농도를 예측하기 위해 다단계 예측 전략을 사용하여 모델을 엔드 투 엔드로 훈련시킨다.
• RMSE, MAE, R² 등의 표준 평가 지표를 사용하여 모델 성능을 평가하며, 기준 모델들과의 비교를 통해 하이브리드 모델의 성능을 분석한다.

실험 결과

연구 질문

• RQ1 CEEMDAN-DeepTCN 하이브리드 모델은 기존의 시간 시계열 및 딥러닝 모델들과 비교해 시간대별 PM2.5 농도 예측 정확도를 향상시킬 수 있는가?
• RQ2 CEEMDAN 분해는 비정상적이고 노이즈가 많은 PM2.5 시계열 데이터의 모델링에 얼마나 효과적인가?
• RQ3 DeepTCN는 PM2.5, 기상 및 시간 관련 변수의 장기적 시간 의존성을 얼마나 효과적으로 포착할 수 있는가?
• RQ4 기상 및 시간 관련 특징의 통합은 하이브리드 모델의 예측 성능 향상에 기여하는가?

주요 결과

• CEEMDAN-DeepTCN 모델은 ARIMA, LSTM, GRU 및 표준 신경망을 포함한 모든 평가된 모델 중에서 가장 높은 예측 정확도를 기록하였다.
• 모델은 예측 오차를 크게 감소시켜 베이징 PM2.5 데이터셋에서 가장 낮은 RMSE 및 MAE 값을 기록하였다.
• CEEMDAN 분해를 통해 노이즈가 효과적으로 감소하고 신호 대 노이즈 비율이 향상되어 후속 모델의 성능 향상에 기여하였다.
• LSTM 및 GRU와 같은 순환 아키텍처에 비해 DeepTCN 구성 요소가 장기적 시간 의존성을 더 뛰어나게 모델링하는 데 성공하였다.
• 기상 및 시간 관련 특징의 통합은 일반화 능력 향상과 예측 정확도 향상에 기여하였다.