[논문 리뷰] Deep-dust: Predicting concentrations of fine dust in Seoul using LSTM

Sookyung Kim, Jungmin Lee외 2명|arXiv (Cornell University)|2019. 01. 29.

Fire effects on ecosystems참고 문헌 8인용 수 9

한 줄 요약

이 논문은 한국 서울의 25개 구역에서 시간대별 미세먼지(PM₁₀ 및 PM₂.₅) 농도를 예측하기 위해 LSTM 기반 딥러닝 모델을 제안한다. 이 모델은 39개의 대기질 측정소와 1개의 기후 측정소에서 확보한 역사적 데이터를 활용한다. 모든 위치에서 낮은 평균제곱오차(MSE)를 기록하며(45 × 10⁻⁵ 이하), 오염물질과 기상 변수 간의 복잡한 비선형 상호작용을 효과적으로 포착함을 보여준다.

ABSTRACT

Polluting fine dusts in South Korea which are mainly consisted of biomass burning and fugitive dust blown from dust belt is significant problem these days. Predicting concentrations of fine dust particles in Seoul is challenging because they are product of complicate chemical reactions among gaseous pollutants and also influenced by dynamical interactions between pollutants and multiple climate variables. Elaborating state-of-art time series analysis techniques using deep learning, non-linear interactions between multiple variables can be captured and used to predict future dust concentration. In this work, we propose the LSTM based model to predict hourly concentration of fine dust at target location in Seoul based on previous concentration of pollutants, dust concentrations and climate variables in surrounding area. Our results show that proposed model successfully predicts future dust concentrations at 25 target districts(Gu) in Seoul.

연구 동기 및 목표

• 지역 오염과 복잡한_atmospheric_화학 반응으로 인해 영향을 받는 고도로 인구가 밀집하고 산업화된 도시인 서울에서 미세먼지 농도를 예측하는 데 도전하는 것.
• 다양한 기체 오염물질, 미세먼지 및 기상 변수 간의 비선형 시간적 상호작용을 포착할 수 있는 딥러닝 모델을 개발하는 것.
• 스케일링 가능한, 역할별로 특화된 모델링 접근 방식을 통해 서울의 25개 구역에 대해 정밀하고 국소화된 시간대별 PM₁₀ 및 PM₂.₅ 예측을 가능하게 하는 것.

제안 방법

• 모델은 과거 48시간 동안의 데이터를 입력으로 사용하며, 39개의 대기질 측정소에서 확보한 SO₂, CO, NO₂, O₃, PM₁₀, PM₂.₅ 농도와 1개의 기후 측정소에서 확보한 9개의 기상 변수를 포함한다.
• 입력 특징는 정규화되어 있으며, 단일 입력 벡터로 결합되며, 목표 출력은 다음 시간 단계에서의 PM₁₀ 및 PM₂.₅ 농도 예측값이다.
• 세 층으로 구성된 장기 단기 기억(Long Short-Term Memory, LSTM) 네트워크가 순차적 입력을 처리하여 장기적 의존성과 시간에 따른 비선형 관계를 학습한다.
• 예측값과 진짜 PM 농도 간의 평균제곱오차 손실을 사용하여 모델을 훈련시키며, 각 25개의 목표 구역에 대해 별도의 모델을 훈련시켜 성능을 최적화한다.
• 최종 LSTM 단계에서 완전히 연결된 층을 통해 PM₁₀ 및 PM₂.₅에 대한 이중 출력 예측을 생성한다.
• 정규화를 통해 모든 입력 및 출력 변수가 0에서 1 사이로 스케일링되어 훈련의 안정성과 수렴성을 향상시킨다.

실험 결과

연구 질문

• RQ1 오염물질과 기후 변수 간의 복잡한 비선형 상호작용을 포착함으로써, LSTM 기반 딥러닝 모델이 서울의 향후 PM₁₀ 및 PM₂.₅ 농도를 효과적으로 예측할 수 있는가?
• RQ2 오염원과 기상 조건의 공간적·시간적 변동성로 인해 다양한 도시 구역이 존재하는 서울에서 모델의 일반화 능력은 어느 정도인가?
• RQ3 48시간의 역사를 기반으로 한 입력 데이터만을 사용할 경우, 시간대별 예측의 정확도는 어느 정도인가?
• RQ4 지역 및 지역적 대기질 및 기후 데이터를 통합함으로써 단순 모델 대비 예측 성능 향상 정도는 어느 정도인가?
• RQ5 지역별로 특화된 LSTM 아키텍처가 전역 단일 모델보다 국소 오염 역학을 더 잘 포착할 수 있는가?

주요 결과

• 모델은 서울의 모든 25개 목표 구역에서 평균제곱오차(MSE)가 45 × 10⁻⁵ 이하로 매우 높은 예측 정확도를 기록했다.
• 가장 낮은 MSE는 20번 역(강남구)에서 기록되었으며 20.35 × 10⁻⁵였고, 가장 높은 MSE는 8번 역(종로구)에서 45.26 × 10⁻⁵였다.
• 2017년 3월 17일의 시각적 비교에서, 예측된 PM₁₀ 및 PM₂.₅ 값이 서대문구(6번 역)의 진짜 측정값의 전역 및 국지적 추세를 잘 따르는 것으로 나타났다.
• 48시간 입력 창이 일일 패턴과 일치함에 따라, 특히 일광에 의해 영향을 받는 2차 오염물질 생성에 기인한 일일 주기(일주기)를 모델이 성공적으로 포착했다.
• 결과적으로 딥러닝, 특히 LSTMs가 도시 환경에서 복잡하고 비선형적이며 시간적으로 종속적인 대기질 역학을 모델링하는 데 매우 효과적임을 시사한다.
• 저자들은 향후 개선을 위해 모니터링 역 사이의 공간 상관관계를 더 잘 포착하기 위해 ConvLSTM 또는 그래프 신경망을 활용한 시공간 모델링을 고려할 수 있을 것이라고 결론을 내린다.