[논문 리뷰] Calibration of Spatial Forecasts from Citizen Science Urban Air Pollution Data with Sparse Recurrent Neural Networks

Matthew Bonas, Stefano Castruccio|arXiv (Cornell University)|2021. 05. 06.

Air Quality Monitoring and Forecasting참고 문헌 37인용 수 4

한 줄 요약

이 논문은 샌프란시스코의 시민 과학 데이터에서 고해상도 공간 예측을 校정하기 위해 스팀라이크-슬래브 사전을 갖춘 희박한 순환 신경망을 제안한다. 모델은 희박성과 빠른 주변 및 공간 예측 校정을 통해 표준 시계열 방법 대비 최대 5일 예측에서 평균 제곱 오차를 35.7% 감소시킨다.

ABSTRACT

With their continued increase in coverage and quality, data collected from personal air quality monitors has become an increasingly valuable tool to complement existing public health monitoring system over urban areas. However, the potential of using such `citizen science data' for automatic early warning systems is hampered by the lack of models able to capture the high-resolution, nonlinear spatio-temporal features stemming from local emission sources such as traffic, residential heating and commercial activities. In this work, we propose a machine learning approach to forecast high-frequency spatial fields which has two distinctive advantages from standard neural network methods in time: 1) sparsity of the neural network via a spike-and-slab prior, and 2) a small parametric space. The introduction of stochastic neural networks generates additional uncertainty, and in this work we propose a fast approach for forecast calibration, both marginal and spatial. We focus on assessing exposure to urban air pollution in San Francisco, and our results suggest an improvement of 35.7% in the mean squared error over standard time series approach with a calibrated forecast for up to 5 days.

연구 동기 및 목표

• 저비용의 시민 수집 센서 데이터를 사용하여 도시 지역의 고해상도, 비선형 공간-시간 대기 오염 패턴을 예측하는 데 도전하는 것.
• 교통 및 주거용 난방과 같은 국지적 배출원을 포착하는 데 표준 시계열 모델의 한계를 극복하는 것.
• 신뢰할 수 있는 장기 예측을 위한 작은 매개변수 공간과 내재된 불확실성 정량화 기능을 갖춘 기계학습 프레임워크 개발.
• 주변 및 공간 예측 신뢰성 향상을 위한 빠른 校정 방법 도입을 통한 도시 대기 질 모니터링 향상.

제안 방법

• 희박성과 모델 복잡도 감소를 위해 스파이크-슬래브 사전을 적용한 희박한 순환 신경망 아키텍처를 사용한다.
• 신경망 내의 확률적 성격이 불확실성을 도입하며, 이는 빠르고 확장 가능한 校정 절차를 통해 명시적으로 모델링되고 校정된다.
• 이 校정 방법은 예측 출력의 주변 분포와 공간적 의존성 구조를 동시에 적용한다.
• 모델은 샌프란시스코의 개인용 모니터에서 수집된 고주기적이고 공간적으로 조밀한 대기 오염 데이터를 기반으로 훈련 및 평가된다.
• 주요 평가 지표로 평균 제곱 오차(MSE)를 사용하여 표준 시계열 예측 방법과 성능을 비교한다.
• 모델은 국지적 배출원 역학을 유지하면서도 희박하고 비정규적으로 샘플링된 도시 대기 질 데이터를 처리하도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 스파이크-슬래브 사전을 갖춘 희박한 순환 신경망은 시민 과학 데이터로부터 고해상도 공간-시간 대기 오염 패턴을 효과적으로 모델링할 수 있는가?
• RQ2 제안된 校정 방법은 표준 시계열 접근 방식에 비해 예측 신뢰성에 어떤 영향을 미치는가?
• RQ3 모델은 도시 마이크로환경 전역에서 다일 예측의 예측 오차를 어느 정도 감소시키는가?
• RQ4 기존 모델보다 모델이 교통 및 난방 배출원과 같은 비선형 국지적 오염원을 더 효과적으로 포착할 수 있는가?

주요 결과

• 제안된 모델은 최대 5일 예측에 대해 표준 시계열 예측 방법 대비 평균 제곱 오차(MSE)를 35.7% 감소시켰다.
• 스파이크-슬래브 사전의 통합은 높은 예측 정확도와 해석 가능성 유지와 함께 작은 매개변수 공간을 가능하게 하였다.
• 빠른 校정 절차는 주변 및 공간 예측 신뢰성 향상에 효과적으로 기여하여 예측 신뢰도를 높였다.
• 모델은 교통 및 주거용 난방과 같은 국지적 도시 배출원에 의해 유도되는 복잡한 비선형 공간-시간 역학을 성공적으로 포착하였다.
• 개인 센서에서 수집된 고주기적이고 희박한 도시 대기 질 모니터링 데이터에 대해 강력한 일반화 성능을 보였다.
• 결과는 희박한 확률적 네트워크에서 얻은 校정된 예측이 전통적 모델보다 도시 대기 오염 예측 과제에서 우수하다는 것을 확인하였다.