[논문 리뷰] Deep Air Quality Forecasting Using Hybrid Deep Learning Framework

Shengdong Du, Tianrui Li외 2명|arXiv (Cornell University)|2018. 12. 12.

Air Quality Monitoring and Forecasting참고 문헌 35인용 수 47

한 줄 요약

이 논문은 다변량 대기질 시계열에서 지역 공간-시간 특징과 상호 의존성을 학습하여 PM2.5를 예측하기 위해 1D CNN과 Bi-LSTM 네트워크를 결합한 하이브리드 딥 러닝 모델을 제안한다.

ABSTRACT

Air quality forecasting has been regarded as the key problem of air pollution early warning and control management. In this paper, we propose a novel deep learning model for air quality (mainly PM2.5) forecasting, which learns the spatial-temporal correlation features and interdependence of multivariate air quality related time series data by hybrid deep learning architecture. Due to the nonlinear and dynamic characteristics of multivariate air quality time series data, the base modules of our model include one-dimensional Convolutional Neural Networks (1D-CNNs) and Bi-directional Long Short-term Memory networks (Bi-LSTM). The former is to extract the local trend features and spatial correlation features, and the latter is to learn spatial-temporal dependencies. Then we design a jointly hybrid deep learning framework based on one-dimensional CNNs and Bi-LSTM for shared representation features learning of multivariate air quality related time series data. We conduct extensive experimental evaluations using two real-world datasets, and the results show that our model is capable of dealing with PM2.5 air pollution forecasting with satisfied accuracy.

연구 동기 및 목표

• 대기질(PM2.5)의 정확한 예측을 위한 조기 경보 및 관리.
• 다변량 대기질 시계열에서 공간-시간 상관 관계를 포착하는 모델을 개발한다.
• 공유 표현 학습을 위해 CNN과 Bi-LSTM을 통합한 통합 프레임워크를 설계한다.

제안 방법

• 지역 추세 특징과 공간 상관 관계를 추출하기 위해 1차원 CNN을 사용한다.
• 공간-시간 의존성을 학습하기 위해 양방향 LSTM 네트워크를 사용한다.
• 다변량 시계열의 공유 표현을 위해 CNN과 Bi-LSTM을 결합한 공동 하이브리드 프레임워크를 설계한다.
• PM2.5 예측 작업을 포함하는 두 개의 실제 데이터 세트에서 모델을 평가한다.

실험 결과

연구 질문

• RQ1 다변량 대기질 데이터에서 지역적 및 글로벌 공간-시간 의존성을 효과적으로 포착하는 하이브리드 CNN-Bi-LSTM 프레임워크가 가능할까?
• RQ2 제안된 아키텍처가 기본 모델과 비교하여 실제 데이터에서 PM2.5 예측 정확도를 향상시키는가?

주요 결과

• 모델은 실제 데이터에서 PM2.5 예측에 만족스러운 정확도를 보인다.
• 해당 아키텍처는 지역 추세 특징과 다변량 대기질 시계열 간의 상호 의존성을 학습한다.
• 실험적 평가 결과 하이브리드 프레임워크의 대기질 예측에 대한 효과를 시사한다.