[논문 리뷰] Delhi air quality prediction using LSTM deep learning models with a focus on COVID-19 lockdown

Animesh Tiwari, Rishabh Gupta외 1명|arXiv (Cornell University)|2021. 02. 21.

Air Quality Monitoring and Forecasting인용 수 24

한 줄 요약

본 논문은 델리에서 단기 다단계 및 장기 PM2.5 예측을 위해 LSTM 기반 모델(LSTM, BD-LSTM, ED-LSTM)을 개발·비교하고, COVID-19 봉쇄 기간 동안 평가하며 불확실성 정량화를 수행한다.

ABSTRACT

Air pollution has a wide range of implications on agriculture, economy, road accidents, and health. In this paper, we use novel deep learning methods for short-term (multi-step-ahead) air-quality prediction in selected parts of Delhi, India. Our deep learning methods comprise of long short-term memory (LSTM) network models which also include some recent versions such as bidirectional-LSTM and encoder-decoder LSTM models. We use a multivariate time series approach that attempts to predict air quality for 10 prediction horizons covering total of 80 hours and provide a long-term (one month ahead) forecast with uncertainties quantified. Our results show that the multivariate bidirectional-LSTM model provides best predictions despite COVID-19 impact on the air-quality during full and partial lockdown periods. The effect of COVID-19 on the air quality has been significant during full lockdown; however, there was unprecedented growth of poor air quality afterwards.

연구 동기 및 목표

• COVID-19 봉쇄 효과 속에서 델리에 대한 견고한 단기 및 장기 대기질 예측의 필요성을 제시한다.
• 다변량 및 단변량 PM2.5 예측에 대해 LSTM 기반 아키텍처(LSTM, BD-LSTM, ED-LSTM)를 평가한다.
• 슬라이딩 윈도우를 이용한 3차원 데이터 표현을 개발하여 다중단계 예측(80시간)과 불확실성 정량화된 한달 예측을 가능하게 한다.

제안 방법

• PM2.5 및 기상 오염 물질을 포함한 11개 특징의 다변량 시계열을 사용한다.
• N=5 과거 스텝과 Nout=10 미래 스텝(80시간)에 대해 2D 데이터를 3D로 변환하기 위해 슬라이딩 윈도우를 적용한다.
• LSTM, Bidirectional LSTM (BD-LSTM), Encoder-Decoder LSTM (ED-LSTM) 아키텍처를 비교한다.
• Adam 옵티마이저로 학습하고, 200 에폭, 배치 크기 20, ReLU 활성화를 사용하며; 30회 실행에서 RMSE로 평가하고 평균과 95% CI를 제시한다.
• 단변량(PM2.5만) 대비 다변량 입력의 영향력을 조사하고 COVID-19 봉쇄와 계절 변화가 모델 성능에 미치는 영향을 평가한다.
• 불확실성 정량화를 갖춘 한 달 앞 예측을 제공한다.

실험 결과

연구 질문

• RQ1 COVID-19 봉쇄 기간이 모니터링 스테이션 전반에 걸쳐 델리의 PM2.5 수치에 어떤 영향을 미치는가?
• RQ2 가장 정확한 다단계 PM2.5 예측을 제공하는 LSTM 아키텍처(LSTM, BD-LSTM, ED-LSTM)는 무엇인가?
• RQ3 다변량 입력 방식이 특히 봉쇄 기간 동안 단변량 PM2.5만 입력하는 방식보다 성능이 우수한가?
• RQ4 모델이 정량화된 불확실성으로 신뢰할 수 있는 한 달 앞 예측을 제공할 수 있는가?

주요 결과

• 다변량 BD-LSTM 모델은 일반적으로 다양한 예측 지평에서 최상의 단기 PM2.5 예측을 제공한다.
• COVID-19 봉쇄 기간 동안 전면 봉쇄에서 PM2.5가 크게 감소하는 반면, 제약이 해제되면서 다른 패턴이 관찰된다.
• 장기 예측에 대해 불확실성 정량화가 제공되어 한 달 예측의 확률적 해석이 가능하다.
• 데이터 처리 방식(셔플링 윈도우, 계절적 학습 데이터)과 입력이 다변량인지 단변량인지에 따라 모델 성능이 달라진다.
• 스테이션 간 PM2.5는 PM10 및 NOx 지표와 상관관계가 있어 다변량 모델링 전략을 뒷받침한다.