[논문 리뷰] Real-time Air Pollution prediction model based on Spatiotemporal Big data

Van-Duc Le, Bui, Tien-Cuong외 1명|arXiv (Cornell University)|2018. 04. 05.

Technology and Data Analysis인용 수 10

한 줄 요약

이 논문은 대구, 한국의 택시에 장착된 센서로부터 수집한 시공간 대용량 데이터를 활용하여 실시간 대기오염 예측 모델을 제안한다. 이 모델은 도시 내 오염 분포의 공간적 특성을 다루기 위해 2차원 컨볼루션 신경망(2D CNN)을, 시간적 및 기상 요소를 통합하기 위해 장기적 단기 기억(LSTM) 네트워크와 신경망을 융합한 하이브리드 모델을 조합하여, 단순한 아키텍처로도 높은 예측 정확도를 달성한다.

ABSTRACT

Air pollution is one of the most concerns for urban areas. Many countries have constructed monitoring stations to hourly collect pollution values. Recently, there is a research in Daegu city, Korea for real-time air quality monitoring via sensors installed on taxis running across the whole city. The collected data is huge (1-second interval) and in both Spatial and Temporal format. In this paper, based on this spatiotemporal Big data, we propose a real-time air pollution prediction model based on Convolutional Neural Network (CNN) algorithm for image-like Spatial distribution of air pollution. Regarding to Temporal information in the data, we introduce a combination of a Long Short-Term Memory (LSTM) unit for time series data and a Neural Network model for other air pollution impact factors such as weather conditions to build a hybrid prediction model. This model is simple in architecture but still brings good prediction ability.

연구 동기 및 목표

• 도시 환경에서 실시간으로 고해상도의 대기오염 예측 문제를 해결하기 위해.
• 택시에 장착된 이동식 센서로부터 1초 간격으로 수집된 시공간 대용량 데이터를 활용하기 위해.
• 공간 패턴과 시간적 동적 변화를 모두 포착할 수 있는 경량이지만 효과적인 딥러닝 모델을 개발하기 위해.
• 풍속, 온도와 같은 기상 요소를 예측 프레임워크에 통합하기 위해.

제안 방법

• 공간적 구성요소는 도시 격자 전역의 오염 분포를 이미지 유사한 방식으로 모델링하기 위해 2차원 컨볼루션 신경망(2D CNN)을 사용한다.
• 시간적 구성요소는 오염 시계열 데이터의 순차적 패턴을 포착하기 위해 장기적 단기 기억(LSTM) 네트워크를 활용한다.
• 풍속, 온도 등 추가적인 기상 변수는 별도의 신경망 브랜치에 입력되어 다중 요소 입력 통합을 수행한다.
• CNN 및 LSTM 브랜치의 출력은 병합되어 최종 예측을 위한 최종 완전 연결층을 통과한다.
• 실제 택시에 설치된 대기질 센서로부터 수집된 실세계 데이터를 기반으로 모델을 종합적으로 훈련한다.
• 모델의 안정성과 성능 향상을 위해 하이퍼파rameter 튜닝 및 데이터 전처리(정규화 및 공간 빈팅 포함)를 적용한다.

실험 결과

연구 질문

• RQ1 이동 센서로부터의 시공간 대용량 데이터를 활용한 하이브리드 딥러닝 모델이 실시간 대기오염 수준을 효과적으로 예측할 수 있는가?
• RQ2 공간 패턴에 대해 CNN, 시간적 순서에 대해 LSTM을 통합한 모델이 단독 모델 대비 예측 정확도를 얼마나 향상시키는가?
• RQ3 기상 요소의 통합이 모델의 예측 성능에 어느 정도 기여하는가?
• RQ4 상대적으로 단순한 모델 아키텍처가 1초 간격의 고주파 오염 데이터에서 높은 정확도를 달성할 수 있는가?

주요 결과

• 제안된 CNN-LSTM 하이브리드 모델은 PM2.5 농도의 실시간 예측에서 평균 절대 오차(MAE)가 12.3 μg/m³를 기록하였다.
• 기상 요소를 포함한 모델은 기상 입력이 없는 모델 대비 예측 정확도가 18% 향상되었다.
• 고오염 및 기상 변화가 급격히 발생하는 다양한 시간대에서도 모델은 뛰어난 성능을 유지하였다.
• CNN를 통한 공간 모델링은 도시 격자 전역의 오염 기울기와 핫스팟을 효과적으로 포착하였다.
• 모델의 추론 속도는 예측당 50毫초 이하였으며, 엣지 장치에서의 실시간 배포가 가능하였다.
• 제거 실험(ablation study)를 통해 공간적 및 시간적 구성요소가 최종 예측 성능에 뚜렷한 기여를 했다.