[논문 리뷰] Deep-MAPS: Machine Learning based Mobile Air Pollution Sensing

Jun Song, Ke Han|arXiv (Cornell University)|2019. 04. 28.

Air Quality Monitoring and Forecasting참고 문헌 27인용 수 5

한 줄 요약

Deep-MAPS는 이동형 및 고정형 대기질 센서, 도시 빅데이터, 공간-시간 특징 공학을 활용하여 베이징 전역에서 1km×1km 및 시간당 해상도로 PM2.5 농도를 추론하는 기계학습 프레임워크를 제안한다. 이는 90.2%의 R² 정확도와 13.88의 RMSE를 달성하며, 밀도 높은 고정형 센서 네트워크 대비 하드웨어 비용을 최대 90%까지 절감하면서도 85% 이상의 정확도를 확보한다.

ABSTRACT

Mobile and ubiquitous sensing of urban air quality has received increased attention as an economically and operationally viable means to survey atmospheric environment with high spatial-temporal resolution. This paper proposes a machine learning based mobile air pollution sensing framework, called Deep-MAPS, and demonstrates its scientific and financial values in the following aspects. (1) Based on a network of fixed and mobile air quality sensors, we perform spatial inference of PM2.5 concentrations in Beijing (3,025 km2, 19 Jun-16 Jul 2018) for a spatial-temporal resolution of 1km-by-1km and 1 hour, with over 85% accuracy. (2) We leverage urban big data to generate insights regarding the potential cause of pollution, which facilitates evidence-based sustainable urban management. (3) To achieve such spatial-temporal coverage and accuracy, Deep-MAPS can save up to 90% hardware investment, compared with ubiquitous sensing that relies primarily on fixed sensors.

연구 동기 및 목표

• 도시 지역에서 고공간-시간 해상도의 PM2.5 지도 제작을 위한 확장 가능하고 저비용의 이동형 대기 polution 센싱 프레임워크 개발.
• 기계학습을 활용해 희소 센서 데이터에서 오염 수준을 추론함으로써 대기질 모니터링에 대한 자본 투자 감소.
• 교통, 지리 이용, 기상 특징를 포함한 도시 빅데이터를 통합하여 예측 정확도를 향상시킨 예측 모델 개발.
• 도시 구조와 인간 활동과 연관된 오염 역학을 규명함으로써 근거 기반 도시 정책 수립 지원.
• 기계학습 강화 이동형 센싱의 과학적 및 재정적 타당성을 입증함으로써 지속 가능한 도시 관리에 기여.

제안 방법

• Deep-MAPS는 공간적 및 시간적 상관관계를 모델링하기 위해 국지적, 인접, 매크로 특징를 결합한 딥러닝 아키텍처를 사용한다.
• 국지적 특징는 인구 밀도, 도로망, 지리 이용 등 격자 기반 도시 특성에서 추출된다.
• 인접 특징는 2D 컨볼루션 필터(3×3 및 5×5)를 공간 및 시간적 이웃에 적용하여 국소적인 공간-시간 의존성을 캡처한다.
• 동적 특징는 시간에 따라 1×1, 3×3, 5×5 컨볼루션 필터를 사용해 오염 원인의 시간적 변화를 모델링한다.
• 매크로 특징는 연구 지역 외부의 12개 고정 센서의 PM2.5 데이터에서 유도되며, 거리 및 풍속 기반 시간 지연을 적용해 지역 오염 이동을 모델링한다.
• 모델의 최종 입력은 국지적, 인접, 매크로 특징를 결합한 특징 볼륨이며, ReLU 활성화 함수를 적용한 컨볼루션 레이어를 통해 회귀 분석을 수행한다.

실험 결과

연구 질문

• RQ1 기계학습을 통해 희소한 이동형 및 고정형 센서 데이터를 활용해 1km×1km 및 시간당 해상도로 고해상도(PM2.5) 농도를 효과적으로 추론할 수 있는가?
• RQ2 전통적 보간 또는 회귀 방법 대비 도시 빅데이터 특징를 통합함으로써 PM2.5 추론 정확도는 얼마나 향상될 수 있는가?
• RQ3 기계학습으로 강화된 이동형 센싱 프레임워크를 도입함으로써 밀도 높은 고정형 센서 네트워크를 대체할 경우 하드웨어 투자 비용은 얼마나 감소할 수 있는가?
• RQ4 매크로 특징(외부 12개 고정 센서의 PM2.5 데이터)은 지역 PM2.5 농도 예측에 기여하는 정도는 어떠한가?
• RQ5 도시 구조 및 동적 특성(예: 교통, 공공 활동)은 미세한 공간-시간 척도에서 관측된 PM2.5 농도와 어떻게 관련이 있는가?

주요 결과

• Deep-MAPS는 국지적, 인접, 매크로 특징를 모두 사용할 경우 R²가 0.911이고 RMSE가 13.17로 높은 예측 정확도를 확보했다.
• KNN, SVR, 공간 보간(IDW 및 크리깅) 등의 벤치마크 방법보다 우수한 성능을 보였으며, 국지적, 이동형, 매크로 특징를 사용할 경우 Deep-MAPS는 SMAPE 15.54%와 R² 90.2%를 달성했다.
• 매크로 특징(외부 12개 고정 센서의 PM2.5 데이터)을 통합함으로써 모델 성능이 크게 향상되었으며, 이는 이들 특징이 없는 모델 대비 RMSE를 최대 15%까지 감소시켰다.
• Deep-MAPS는 1km×1km 및 시간당 해상도에서 베이징의 3,025km² 연구 지역 전역에서 PM2.5 농도 추론 정확도가 85% 이상을 달성했다.
• Deep-MAPS는 밀도 높은 고정형 센서 네트워크 대비 고해상도 대기질 모니터링을 위한 하드웨어 투자 비용을 최대 90%까지 절감할 잠재력을 보였다.
• 도시 빅데이터 통합을 통해 오염원 및 오염 역학에 대한 통찰을 확보하여 근거 기반 도시 정책 및 지속 가능한 관리에 기여할 수 있었다.