[논문 리뷰] HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method

Ling Chen, Jiahui Xu외 5명|arXiv (Cornell University)|2021. 01. 12.

Air Quality Monitoring and Forecasting참고 문헌 35인용 수 22

한 줄 요약

HighAir는 상하위 수준 간 상호작용을 통해 도시 수준 및 역할 수준 오염 패턴을 모델링하는 계층적 그래프 신경망을 제안한다. 상하위 전달 및 하위 업데이트 전략을 통해 바람 방향에 기반해 동적 엣지 가중치를 조정하며, 양쯔강 삼각주 데이터셋에서 최신 기술을 초월하여 복잡한 오염물질 확산 및 기상 조건과 토지 이용과 같은 영향 요인을 보다 정확하게 포착한다.

ABSTRACT

Accurately forecasting air quality is critical to protecting general public from lung and heart diseases. This is a challenging task due to the complicated interactions among distinct pollution sources and various other influencing factors. Existing air quality forecasting methods cannot effectively model the diffusion processes of air pollutants between cities and monitoring stations, which may suddenly deteriorate the air quality of a region. In this paper, we propose HighAir, i.e., a hierarchical graph neural network-based air quality forecasting method, which adopts an encoder-decoder architecture and considers complex air quality influencing factors, e.g., weather and land usage. Specifically, we construct a city-level graph and station-level graphs from a hierarchical perspective, which can consider city-level and station-level patterns, respectively. We design two strategies, i.e., upper delivery and lower updating, to implement the inter-level interactions, and introduce message passing mechanism to implement the intra-level interactions. We dynamically adjust edge weights based on wind direction to model the correlations between dynamic factors and air quality. We compare HighAir with the state-of-the-art air quality forecasting methods on the dataset of Yangtze River Delta city group, which covers 10 major cities within 61,500 km2. The experimental results show that HighAir significantly outperforms other methods.

연구 동기 및 목표

• 복잡한 오염물질 확산이 도시와 모니터링 역 사이에서 발생하는 지역에서 공기질을 정확하게 예측하는 데 도전하는 것.
• 공기질 오염물질, 기상 조건, 토지 이용 간 공간 계층에서의 동적 상호작용을 모델링하는 것.
• 구조적인 계층적 그래프 아키텍처를 통해 도시 수준 및 역할 수준 패턴을 포착함으로써 예측 성능을 향상시키는 것.
• 바람 방향과 같은 변화하는 환경 요인에 적응하는 메시지 전달 메커니즘을 개발하는 것.
• 다중 수준 공간 의존성과 동적 상관관계를 통합함으로써 기존 방법을 초월하는 정확도를 확보하는 것.

제안 방법

• HighAir는 도시 수준 및 역할 수준 하위그래프를 포함하는 계층적 그래프 구조에 기반한 인코더-디코더 아키텍처를 사용한다.
• 상하위 전달(도시 수준 특징을 역할로 집계) 및 하위 업데이트(역할 수준 출력을 사용해 도시 수준 특징을 개선) 전략을 두 가지 상하위 전략으로 도입한다.
• 각 그래프 수준 내에서 메시지 전달 메커니즘을 사용해 내부 상호작용을 모델링하여 노드 간 정보를 전파한다.
• 그래프의 엣지 가중치는 오염물질 간 방향성 이동을 반영하기 위해 바람 방향에 기반해 동적으로 조정된다.
• 예측 정확도를 향상시키기 위해 기상 조건과 토지 이용과 같은 외부 요소를 노드 특징으로 통합한다.
• 10개 도시에서 수집한 역사적 공기질, 기상 및 지리 데이터를 기반으로 엔드 투 엔드로 프레임워크를 훈련시킨다.

실험 결과

연구 질문

• RQ1 계층적 그래프 신경망은 공기질 예측에서 다중 척도 공간 의존성을 효과적으로 모델링할 수 있는가?
• RQ2 바람 방향에 기반한 동적 엣지 가중치는 도시와 역할 간 오염물질 이동 모델링에 어느 정도 향상되는가?
• RQ3 도시 수준 및 역할 수준 그래프 간 상하위 상호작용은 평탄하거나 단일 수준 GNN에 비해 예측 성능을 향상시키는가?
• RQ4 기상 조건과 토지 이용과 같은 외부 요소는 그래프 기반 공기질 예측 모델의 예측 정확도에 어떤 영향을 미치는가?
• RQ5 제안된 방법은 실제 공기질 데이터셋에서 기존 최신 기술 방법을 초월하는가?

주요 결과

• HighAir는 양쯔강 삼각주 데이터셋에서 기존 최신 기술 공기질 예측 방법을 크게 능가하며, PM2.5 및 기타 오염물질 농도 예측 정확도가 높다.
• 바람 방향에 기반한 동적 엣지 가중치 통합은 오염 사건 기간 동안 오염물질의 방향성 이동을 포착하는 데 모델의 능력을 향상시킨다.
• 계층적 설계 덕분에 모델은 거시적 도시 패턴과 마이크로적 역할 수준 변동을 모두 학습할 수 있어 전반적인 강건성을 향상시킨다.
• 상하위 전달 및 하위 업데이트 전략은 도시 수준과 역할 수준 간 정보 흐름을 효과적으로 촉진하여 특징 표현을 향상시킨다.
• 각 그래프 수준 내의 메시지 전달 메커니즘은 지역적 공간 의존성을 성공적으로 포착하여 더 나은 예측 성능에 기여한다.
• 10개 주요 도시가 포함된 61,500 km² 지역에서의 실증 결과는 HighAir가 기준 모델 대비 여러 평가 지표에서 뛰어난 성능을 달성함을 확인한다.