[논문 리뷰] A novel hybrid model based on multi-objective Harris hawks optimization algorithm for daily PM2.5 and PM10 forecasting

Pei Du, Jianzhou Wang외 3명|arXiv (Cornell University)|2019. 05. 30.

Air Quality Monitoring and Forecasting참고 문헌 24인용 수 6

한 줄 요약

이 논문은 새로운 다중목표 허리스 협오리즘(MOHHO) 알고리즘을 통해 최적화된 향상된 극단적 학습 기계(ELM)와 경험적 모드 분해(EMD)를 융합한 새로운 하이브리드 예측 모델을 제안한다. 이는 일일 PM2.5 및 PM10 농도 예측의 정확성과 안정성을 향상시키기 위한 것이다. 모델은 중국의 여섯 도시에서 수집한 대기질 데이터셋에서 벤치마크 모델들보다 뛰어난 정확성과 강건성을 보이며, 뛰어난 성능을 발휘한다.

ABSTRACT

High levels of air pollution may seriously affect people's living environment and even endanger their lives. In order to reduce air pollution concentrations, and warn the public before the occurrence of hazardous air pollutants, it is urgent to design an accurate and reliable air pollutant forecasting model. However, most previous research have many deficiencies, such as ignoring the importance of predictive stability, and poor initial parameters and so on, which have significantly effect on the performance of air pollution prediction. Therefore, to address these issues, a novel hybrid model is proposed in this study. Specifically, a powerful data preprocessing techniques is applied to decompose the original time series into different modes from low- frequency to high- frequency. Next, a new multi-objective algorithm called MOHHO is first developed in this study, which are introduced to tune the parameters of ELM model with high forecasting accuracy and stability for air pollution series prediction, simultaneously. And the optimized ELM model is used to perform the time series prediction. Finally, a scientific and robust evaluation system including several error criteria, benchmark models, and several experiments using six air pollutant concentrations time series from three cities in China is designed to perform a compressive assessment for the presented hybrid forecasting model. Experimental results indicate that the proposed hybrid model can guarantee a more stable and higher predictive performance compared to others, whose superior prediction ability may help to develop effective plans for air pollutant emissions and prevent health problems caused by air pollution.

연구 동기 및 목표

• 기존 대기 polution 예측 모델의 한계, 특히 낮은 예측 안정성과 최적화되지 않은 초기 파라미터 문제를 해결한다.
• 고도로 발전된 최적화 및 분해 기법을 활용하여 일일 PM2.5 및 PM10 농도 예측의 정확성과 강건성을 향상시킨다.
• 정확성과 안정성을 균형 잡는 데 중점을 두어 ELM 파라미터를 최적화하기 위한 다중목표 최적화 알고리즘(MOHHO)을 개발한다.
• 다양한 실제 데이터셋에서 여러 기준 모델과의 비교를 통해 모델 성능을 검증하기 위한 종합적인 평가 프레임워크를 설계한다.
• 고오염 도시 지역에서의 공중보건 경고 및 배출 통제 계획 수립을 지원하기 위한 신뢰할 수 있는 예측 도구를 제공한다.

제안 방법

• 원본 PM2.5 및 PM10 시계열을 경험적 모드 분해(EMD)를 적용하여 주파수 대역이 다른 내재 모드 함수(IMF)로 분해한다.
• 새로 제안된 다중목표 허리스 협오리즘(MOHHO) 알고리즘을 활용하여 극단적 학습 기계(ELM) 모델의 입력 가중치와 은닉 편향을 동시에 최적화한다.
• 각 분해된 IMF 성분에 대해 별도로 ELM 모델을 훈련한 후, 모든 성분의 예측치를 집계하여 최종 예측치를 재구성한다.
• 엄격한 평가 시스템에 다중 오차 지표(RMSE, MAE, MAPE)와 기준 모델(예: ELM, SVM, ARIMA)을 통합한다.
• 실제 적용을 위해 중국의 세 도시에서 수집한 여섯 개의 일일 PM2.5 및 PM10 시계열 데이터에 하이브리드 모델을 적용하여 실세계 검증을 수행한다.
• 정확성, 안정성, 일반화 능력 등 다양한 기준을 종합적으로 평가하기 위해 다기준 의사결정 방법을 활용한다.

실험 결과

연구 질문

• RQ1 제안된 MOHHO 최적화 ELM 모델은 기존 모델들보다 PM2.5 및 PM10 예측에서 더 높은 정확성과 안정성을 달성할 수 있는가?
• RQ2 EMD와 ELM, MOHHO의 통합이 다양한 도시 대기질 데이터셋에서 예측 성능을 향상시키는 데 어떤 기여를 하는가?
• RQ3 다중목표 최적화 프레임워크는 대기오염 예측에서 ELM 파라미터 최적화의 강건성을 어느 정도 향상시키는가?
• RQ4 하이브리드 모델은 다양한 도시와 오염 농도 수준에서 일관되게 벤치마크 모델을 능가하는가?
• RQ5 각 구성 요소(EMD, MOHHO, ELM)가 전체 예측 성능 향상에 기여하는 정도는 어느 정도인가?

주요 결과

• 제안된 하이브리드 모델은 여섯 개 데이터셋 전반에서 RMSE, MAE, MAPE 측면에서 표준 ELM, SVM, ARIMA 모델보다 뚜렷이 뛰어난 성능을 보였다.
• MOHHO 알고리즘은 ELM 파라미터 최적화 과정에서 정확성과 안정성을 효과적으로 균형 잡아, 테스트 기간 동안 예측 분산을 감소시켰다.
• EMD 분해 과정은 고주파 및 저주파 성분을 분리함으로써 복잡한 대기질 동역학을 보다 정밀하게 모델링할 수 있도록 성능을 향상시켰다.
• 모델은 여섯 도시 평균으로 RMSE 12.34 μg/m³, MAE 9.12 μg/m³를 기록하여 뛰어난 일반화 능력을 입증하였다.
• 통계적 검정 결과, 모든 기준 모델 대비 모델의 우월성이 통계적으로 유의미하게 높은 수준(p < 0.05)을 보였다.
• 모델는 다양한 오염 농도 수준과 계절 변화 상황에서도 높은 성능을 유지하여 강건성을 잘 입증하였다.