[논문 리뷰] A Novel Prediction Approach for Exploring PM2.5 Spatiotemporal Propagation Based on Convolutional Recursive Neural Networks

Hsing‐Chung Chen, Karisma Trinanda Putra외 1명|arXiv (Cornell University)|2021. 01. 15.

Air Quality Monitoring and Forecasting참고 문헌 31인용 수 4

한 줄 요약

이 논문은 대만의 대기질 모니터링 네트워크에서 수집한 데이터를 사용하여 PM2.5의 시공간적 확산을 예측하기 위해 새로운 컨볼루션 리커르시브 신경망(CRNN) 모델을 제안한다. 센서 노드 간의 공간적 상관관계를 포착하고, 리커르시브 특성 학습을 통해 시간적 동적 특성을 분석함으로써 고정밀도 PM2.5 농도 지ap을 구현하여 공중보건 보호를 위한 정확한 조기 경보 시스템을 가능하게 한다.

ABSTRACT

The spread of PM2.5 pollutants that endanger health is difficult to predict because it involves many atmospheric variables. These micron particles can spread rapidly from their source to residential areas, increasing the risk of respiratory disease if exposed for long periods. The prediction system of PM2.5 propagation provides more detailed and accurate information as an early warning system to reduce health impacts on the community. According to the idea of transformative computing, the approach we propose in this paper allows computation on the dataset obtained from massive-scale PM2.5 sensor nodes via wireless sensor network. In the scheme, the deep learning model is implemented on the server nodes to extract spatiotemporal features on these datasets. This research was conducted by using dataset of air quality monitoring systems in Taiwan. This study presents a new model based on the convolutional recursive neural network to generate the prediction map. In general, the model is able to provide accurate predictive results by considering the bonds among measurement nodes in both spatially and temporally. Therefore, the particulate pollutant propagation of PM2.5 could be precisely monitored by using the model we propose in this paper.

연구 동기 및 목표

• 공간과 시간에 걸쳐 PM2.5 농도 확산을 정확하게 예측할 수 있는 딥러닝 모델을 개발하기.
• 실시간으로 대규모 PM2.5 모니터링을 위해 무선 센서 네트워크 데이터를 활용하기.
• 대기 오염물질의 복잡한 시공간적 관계를 모델링하여 조기 경보 시스템을 향상시키기.
• 빠른 확산 속도와 그로 인한 건강 영향을 고려하여 첨단 계산 기반 예측 기법으로 도전 과제 해결하기.
• 컨볼루션 리커르시브 네트워크가 환경 예측에 효과적으로 활용될 수 있음을 입증하기.

제안 방법

• 제안된 모델는 PM2.5 센서 데이터에서 시공간적 특징을 추출하기 위해 컨볼루션 리커르시브 신경망(CRNN)을 사용한다.
• 모니터링 노드 간의 공간적 관계는 컨볼루션 레이어를 통해 지역적 공간 패턴을 포착하도록 모델링된다.
• 시간적 동적 특성은 리커르시브 처리를 통해 학습되며, 시간 단계 간의 시퀀스 모델링이 가능해진다.
• 모델는 대만의 대기질 모니터링 시스템에서 수집한 실제 PM2.5 데이터셋을 기반으로 훈련된다.
• CRNN의 특징 맵을 활용하여 지역 전역의 예측 PM2.5 농도 지도를 생성한다.
• 컨볼루션 및 리커르시브 레이어를 통합한 유일한 프레임워크를 통해 공간적 및 시간적 의존성을 동시에 통합한다.

실험 결과

연구 질문

• RQ1 컨볼루션 리커르시브 신경망은 PM2.5 오염의 시공간적 확산을 효과적으로 모델링할 수 있는가?
• RQ2 CRNN 모델은 먼 거리에 있는 모니터링 정류장 간의 공간 상관관계를 얼마나 잘 포착하는가?
• RQ3 전통적인 시계열 모델나 공간 전용 모델에 비해 예측 정확도가 얼마나 향상되는가?
• RQ4 모델은 조기 경보 응용을 위해 신뢰할 수 있는 실시간 PM2.5 농도 지도를 생성할 수 있는가?
• RQ5 공간적 및 시간적 특징의 통합이 예측 성능 향상에 얼마나 기여하는가?

주요 결과

• CRNN 모델은 다양한 공간적 위치와 시간 단계에서 PM2.5 농도 예측에 높은 정확도를 달성한다.
• 리커르시브 아키텍처 덕분에, 모델은 먼 거리에 있는 모니터링 정류장 간의 장거리 공간적 의존성을 효과적으로 포착한다.
• 컨볼루션 및 리커르시브 레이어의 통합은 단독 RNN 또는 CNN 모델보다 우수한 성능을 내는 데 기여한다.
• 모델는 실제 확산 패턴을 반영한 세밀하고 동적인 PM2.5 농도 지도를 생성한다.
• 실시간 대기질 조기 경보 시스템에의 구현 가능성이 높은 잠재력을 보여준다.
• 결과적으로 시공간적 특징 학습이 기준 방법에 비해 예측 신뢰도를 크게 향상시킨다.