[논문 리뷰] Dense Air Quality Maps Using Regressive Facility Location Based Drive By Sensing

Charul Paliwal, Pravesh Biyani|arXiv (Cornell University)|2022. 01. 20.

Air Quality Monitoring and Forecasting인용 수 7

한 줄 요약

이 논문은 밀도 높고 정확한 대기질(AQ) 지ap을 생성하기 위해 드라이브바이 센싱에서 최적의 버스를 선택하기 위한 재귀적 시설 위치(RFL) 프레임워크를 제안한다. 공간적 부드러움과 시간적 자기상관관계를 모델링함으로써 RFL은 기준선 방법보다 공간시계열 샘플링을 향상시켜 보간된 AQ 지도의 평균 상대오차를 최대 25% 감소시킨다. 상태의 기술에 비해.

ABSTRACT

Currently, fixed static sensing is a primary way to monitor environmental data like air quality in cities. However, to obtain a dense spatial coverage, a large number of static monitors are required, thereby making it a costly option. Dense spatiotemporal coverage can be achieved using only a fraction of static sensors by deploying them on the moving vehicles, known as the drive by sensing paradigm. The redundancy present in the air quality data can be exploited by processing the sparsely sampled data to impute the remaining unobserved data points using the matrix completion techniques. However, the accuracy of imputation is dependent on the extent to which the moving sensors capture the inherent structure of the air quality matrix. Therefore, the challenge is to pick those set of paths (using vehicles) that perform representative sampling in space and time. Most works in the literature for vehicle subset selection focus on maximizing the spatiotemporal coverage by maximizing the number of samples for different locations and time stamps which is not an effective representative sampling strategy. We present regressive facility location-based drive by sensing, an efficient vehicle selection framework that incorporates the smoothness in neighboring locations and autoregressive time correlation while selecting the optimal set of vehicles for effective spatiotemporal sampling. We show that the proposed drive by sensing problem is submodular, thereby lending itself to a greedy algorithm but with performance guarantees. We evaluate our framework on selecting a subset from the fleet of public transport in Delhi, India. We illustrate that the proposed method samples the representative spatiotemporal data against the baseline methods, reducing the extrapolation error on the simulated air quality data. Our method, therefore, has the potential to provide cost effective dense air quality maps.

연구 동기 및 목표

• 도시 지역에서 밀도 높은 정적 대기질 모니터링의 높은 비용을 해결하기 위해.
• 드라이브바이 센싱을 위한 대표적인 버스를 선택하여 공간시계열 샘플링 효율을 향상시키기 위해.
• 대기질 데이터의 공간적 부드러움과 시간적 자기상관관계를 활용하여 보다 나은 데이터 보간을 위해.
• 행렬 완성 기반의 밀도 높은 AQ 지도 재구성에서 외삽 오차를 줄이기 위해.
• 수백 대의 정적 센서를 설치하는 데 비해 확장 가능하고 비용 효율적인 대안을 제공하기 위해.

제안 방법

• RFL 프레임워크는 공간적 부드러움과 시간적 자기상관관계를 통합한 부분모듈라 목적함수를 사용하여 대기질 데이터를 모델링한다.
• 중복된 연속 타임스탬프 샘플링을 방지하기 위해 인과적 자기상관관계 구조를 사용하여 다양한 시간 샘플링을 우선시한다.
• 차량 선택 문제를 재귀적 시설 위치 문제로 공식화함으로써 탐욕적 선택이 가능해지며 이는 이론적 성능 보장을 제공한다.
• 중복을 줄이기 위해 비인접한 대표적 위치를 선호함으로써 공간 커버리지를 최적화한다.
• 현재 타임스탬프와의 상관관계가 감소하는 비율에 따라 향후 타임스탬프를 가중치를 두어 시간 커버리지를 향상시킨다.
• 샘플된 데이터에 대해 행렬 완성을 적용하여 밀도 높은 공간시계열 AQ 지도를 재구성한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 대기질 모니터링을 위한 대표적인 공간시계열 커버리지를 제공하는 최소한의 이동 차량 집합을 선택할 수 있는가?
• RQ2 시간 자기상관관계를 모델링함으로써 보간된 대기질 지도의 정확도는 어느 정도 향상되는가?
• RQ3 공간적 부드러움과 시간적 상관관계를 동시에 활용하여 샘플링의 중복을 줄이고 보간 품질을 향상시킬 수 있는가?
• RQ4 RFL 프레임워크는 커버리지와 재구성 오차 측면에서 기준선 방법과 비교하여 어떻게 다른가?
• RQ5 차량 경로 선택에서 공간 다양성과 시간 상관관계 사이의 최적의 균형은 무엇인가?

주요 결과

• ρ=0.98인 RFL은 모든 버스 샘플링 수준에서 VBMC(CS)와 VBSF(CS)를 모두 능가하는 가장 낮은 평균 상대오차(MRE)를 기록했다.
• 낮은 버스 샘플링(20대)에서는 VBMC(CS)가 VBSF(CS)를 능가했으며, 이는 낮은 질서와 시간 패턴 학습이 희박한 데이터에서는 덜 효과적임을 시사한다.
• RFL(ρ=0.98)은 FLS 기준선 대비 MRE를 25% 낮춰 더 나은 샘플링을 통한 보간 정확도 향상을 입증했다.
• 커버리지 플롯 분석 결과, RFL은 MCL과 FLS에 비해 더 다양한 대표성 있는 위치와 타임스탬프를 샘플링했으며, 특히 시간 커버리지에서 뚜렷한 우수성을 보였다.
• RFL은 높은 정류소 커버리지 비율(PSC)과 커버리지 비율(PC)을 확보하면서도 FLS 이득과 RFL 이득을 뛰어나게 유지하여 공간과 시간 샘플링의 균형을 잘 이룩했다.
• RFL(ρ=0.98)은 RFL(ρ=0.99)보다 우수한 성능을 유지를 하며 시간 상관관계 감쇠를 더 잘 처리함을 입증했다.