[논문 리뷰] Deep-AIR: A Hybrid CNN-LSTM Framework for Air Quality Modeling in Metropolitan Cities

Yang Han, Qi Zhang외 2명|arXiv (Cornell University)|2021. 03. 25.

Air Quality Monitoring and Forecasting인용 수 8

한 줄 요약

Deep-AIR는 도시 내 미세한 수준의 대기질 추정 및 정류소 수준의 예측을 향상시키기 위해 도메인 특화된 도시 역학, 특히 거리 협곡 효과, 도로 밀도 및 건물 형태를 1x1 컨볼루션 레이어를 통해 통합한 하이브리드 CNN-LSTM 프레임워크를 제안한다. 홍콩과 베이징에서 각각 시간대별 추정 정확도가 67.6%와 65.0%에 달하며, 기준 모델을 능가한다.

ABSTRACT

Air pollution has long been a serious environmental health challenge, especially in metropolitan cities, where air pollutant concentrations are exacerbated by the street canyon effect and high building density. Whilst accurately monitoring and forecasting air pollution are highly crucial, existing data-driven models fail to fully address the complex interaction between air pollution and urban dynamics. Our Deep-AIR, a novel hybrid deep learning framework that combines a convolutional neural network with a long short-term memory network, aims to address this gap to provide fine-grained city-wide air pollution estimation and station-wide forecast. Our proposed framework creates 1x1 convolution layers to strengthen the learning of cross-feature spatial interaction between air pollution and important urban dynamic features, particularly road density, building density/height, and street canyon effect. Using Hong Kong and Beijing as case studies, Deep-AIR achieves a higher accuracy than our baseline models. Our model attains an accuracy of 67.6%, 77.2%, and 66.1% in fine-grained hourly estimation, 1-hr, and 24-hr air pollution forecast for Hong Kong, and an accuracy of 65.0%, 75.3%, and 63.5% for Beijing. Our saliency analysis has revealed that for Hong Kong, street canyon and road density are the best estimators for NO2, while meteorology is the best estimator for PM2.5.

연구 동기 및 목표

• 메트로폴리탄 시티의 대기질 모니터링 정류소가 희소한 문제를 해결하기 위해 도시 전역의 미세한 수준의 오염 추정을 가능하게 한다.
• 딥 러닝을 활용해 정류소 수준의 오염 예측을 최대 24시간 앞서 예측한다.
• 도메인 특화된 도시 역학적 특징—예를 들어 거리 협곡 효과, 도로 밀도, 건물 높이/밀도—를 딥 러닝 모델에 통합하여 공간-시간 예측 성능을 향상시킨다.
• 단일 통합 딥 러닝 프레임워크 내에서 미세한 추정과 단기-중기 예측을 동시에 최적화한다.
• 해당 모델의 해석 가능성 향상을 위해 시각화 분석을 통해 도시 형태적 및 기상 요소의 상대적 중요도를 규명한다.

제안 방법

• 공간적 및 시간적 의존성을 모델링하기 위해 컨볼루션 신경망(CNN)과 장기 단기 기억(LSTM) 네트워크를 결합한 프레임워크를 구축한다.
• 도로 밀도, 건물 높이, 거리 협곡 효과와 같은 공기 오염 및 도시 역학적 특성 간의 복잡한 교차 공간 상호작용을 포착하기 위해 1x1 컨볼루션 레이어를 특별히 사용한다.
• 기상 조건, 교통 밀도, 건물 형태 등 도시 프록시 데이터를 지표 데이터가 희소한 상황을 보완하기 위해 입력 특징으로 통합한다.
• CNN 모듈은 도시 특성 간의 공간 패턴과 상호작용을 학습하고, LSTM은 모니터링 정류소의 오염 수준 시계열과 시간 역학을 모델링한다.
• 기존의 역사적 대기질 및 도시 역학 데이터를 기반으로 홍콩과 베이징에서 엔드 투 엔드로 모델을 훈련시키며, 공간 보간을 통해 도시 전역의 추정치를 생성한다.
• 예측의 의미를 해석하고 다양한 오염물질에 대해 가장 영향력 있는 입력 특징을 식별하기 위해 시각화 분석을 적용한다.

실험 결과

연구 질문

• RQ1 어떻게 딥 러닝 프레임워크가 고밀도 도시 환경에서 도시 전역의 미세한 수준의 대기질 추정과 정류소 수준의 예측을 동시에 향상시킬 수 있는가?
• RQ2 특히 거리 협곡 효과, 건물 밀도, 도로망 구조와 같은 도시 형태적 특징은 오염 예측 정확도 향상에 어떤 역할을 하는가?
• RQ3 PM2.5와 NO2와 같은 다양한 오염물질에 대해 기상 조건과 교통 관련 도시 역학적 특징은 예측 중요도에서 어떻게 비교될 수 있는가?
• RQ4 1x1 컨볼루션 레이어는 도시 특성과 오염 수준 간의 공간 상호작용을 모델링하는 데 얼마나 기여하는가?
• RQ5 제안된 하이브리드 CNN-LSTM 아키텍처는 데이터가 희소한 조건에서 기존의 기준 모델보다 추정 및 예측 작업 모두에서 뛰어난 성능을 보일 수 있는가?

주요 결과

• Deep-AIR는 홍콩에서 시간대별 추정 정확도 67.6%, 베이징에서 65.0%를 기록하며 기준 모델을 능가한다.
• 홍콩에서는 1시간 예측 정확도 77.2%, 베이징에서는 75.3%를 달성하여 강력한 시간적 예측 성능을 입증한다.
• 24시간 예측의 경우 홍콩에서 66.1%, 베이징에서 63.5%의 정확도를 기록하여 장기 예측 능력이 뛰어나다는 것을 보여준다.
• 시각화 분석 결과, 홍콩의 NO2 예측에서는 거리 협곡 효과와 도로 밀도가 가장 영향력 있는 특징으로 나타났고, PM2.5 추정에서는 기상 요소가 지배적인 역할을 했다.
• 1x1 컨볼루션 레이어의 통합은 도시 형태와 오염 수준 간의 공간 상호작용을 포착하는 데 모델의 능력을 크게 향상시켰다.
• 이 연구는 특히 거리 협곡 효과와 관련된 도메인 특화된 도시 특징이 높은 예측 가치를 지니며, 기존 모델에서 자주 간과되는 경향이 있음을 확인한다.