[논문 리뷰] Indoor PM2.5 forecasting and the association with outdoor air pollution: a modelling study based on sensor data in Australia

Wenhua Yu, Bahareh Nakisa외 4명|arXiv (Cornell University)|2024. 05. 13.

Air Quality Monitoring and ForecastingEnvironmental Science인용 수 3

한 줄 요약

이 연구는 2019–2022년 동안의 센서 데이터를 활용하여 호주 24개 건물의 시간대별 실내 PM2.5 농도를 예측하기 위해 삼단계 딥 앙상블 기계학습(DEML) 프레임워크를 개발한다. 이 모델은 R² 값이 0.63에서 0.99로 다양하고, RMSE는 0.01에서 0.663 mg/m³ 사이로 벤치마크를 초월했으며, 특히 산불 사건 기간 동안 실외 PM2.5와 실내 수준 간의 강한 연관성을 드러냈다.

ABSTRACT

Exposure to poor indoor air quality poses significant health risks, necessitating thorough assessment to mitigate associated dangers. This study aims to predict hourly indoor fine particulate matter (PM2.5) concentrations and investigate their correlation with outdoor PM2.5 levels across 24 distinct buildings in Australia. Indoor air quality data were gathered from 91 monitoring sensors in eight Australian cities spanning 2019 to 2022. Employing an innovative three-stage deep ensemble machine learning framework (DEML), comprising three base models (Support Vector Machine, Random Forest, and eXtreme Gradient Boosting) and two meta-models (Random Forest and Generalized Linear Model), hourly indoor PM2.5 concentrations were predicted. The model's accuracy was evaluated using a rolling windows approach, comparing its performance against three benchmark algorithms (SVM, RF, and XGBoost). Additionally, a correlation analysis assessed the relationship between indoor and outdoor PM2.5 concentrations. Results indicate that the DEML model consistently outperformed benchmark models, achieving an R2 ranging from 0.63 to 0.99 and RMSE from 0.01 to 0.663 mg/m3 for most sensors. Notably, outdoor PM2.5 concentrations significantly impacted indoor air quality, particularly evident during events like bushfires. This study underscores the importance of accurate indoor air quality prediction, crucial for developing location-specific early warning systems and informing effective interventions. By promoting protective behaviors, these efforts contribute to enhanced public health outcomes.

연구 동기 및 목표

• 호주의 다양한 실내 환경에서 시간대별 실내 PM2.5 농도를 예측하기 위해.
• 산불과 같은 극단적 사건 기간 동안 실내 및 실외 PM2.5 농도 간 상관관계를 조사하기 위해.
• 공공보건 개입을 위한 정교하고 지역별 맞춤형 예측 프레임워크를 개발하기 위해.
• 기존 알고리즘 대비 신규 딥 앙상블 기계학습 접근법의 성능을 평가하기 위해.

제안 방법

• 이 연구는 지지벡터기계(SVM), 랜덤 포레스트(RF), 그리고 초고속 기반 부스팅(XGBoost)이라는 세 가지 기본 모델을 통합한 삼단계 딥 앙상블 기계학습(DEML) 프레임워크를 활용한다.
• 기본 모델의 예측을 통합하여 전체 정확도와 일반화 능력을 향상시키기 위해 두 가지 메타모델인 랜덤 포레스트와 일반선형모형이 사용된다.
• 2019–2022년 기간 동안 호주 8개 도시의 91개 실내 모니터에서 수집된 센서 데이터를 사용하여 모델를 훈련하고 검증한다.
• 시간에 따른 성능 평가를 위해 윈도우를 이동시키는 교차검증 기법을 적용하여 시간적 안정성을 확보한다.
• 실내 및 실외 PM2.5 농도 간 상관관계 분석을 수행하여 실외 오염이 실내 공기질에 미치는 영향을 평가한다.
• R² 및 RMSE 지표를 사용하여 단일 SVM, RF, XGBoost 모델과의 성능을 비교 평가한다.

실험 결과

연구 질문

• RQ1 다양한 호주 건물에서 시간대별 실내 PM2.5 농도를 예측하는 데 있어, 딥 앙상블 기계학습 모델의 정확도는 어느 정도인가?
• RQ2 고오염 사건 기간 동안 실내 PM2.5는 실외 PM2.5 농도와 어느 정도 상관관계가 있는가?
• RQ3 제안된 DEML 프레임워크는 SVM, RF, XGBoost와 같은 개별 기계학습 모델에 비해 성능에서 어떻게 비교되는가?
• RQ4 다양한 실내 환경에서 이 예측 모델의 시간적 안정성과 일반화 능력은 어떠한가?

주요 결과

• DEML 모델은 대부분의 센서에서 R² 값이 0.63에서 0.99로 다양하게 나타나 강력한 예측 성능를 보였다.
• 중앙근미제곱오차(RMSE) 값은 0.01에서 0.663 mg/m³ 사이로, 실내 PM2.5 예측의 높은 정밀도를 나타냈다.
• 모델은 R² 및 RMSE 지표 모두에서 개별 벤치마크 모델(SVM, RF, XGBoost)을 지속적으로 뛰어넘었다.
• 실외 PM2.5 농도는 특히 산불 기간 동안 실내 공기질에 상당한 영향을 미쳤다.
• 실외 오염 수준이 높아질수록 실내 및 실외 PM2.5 간 상관관계가 가장 강했다. 이는 실시간 모니터링 및 경고 시스템의 필요성을 강조한다.
• 다양한 건물 유형과 위치에서의 프레임워크의 강건성은 지역 맞춤형 조기 경고 시스템 개발에의 응용 가능성을 뒷받침한다.