[논문 리뷰] Using Machine Learning to Predict Air Quality Index in New Delhi

Samayan Bhattacharya, Sk Shahnawaz|arXiv (Cornell University)|2021. 12. 10.

Air Quality Monitoring and Forecasting인용 수 9

한 줄 요약

이 연구는 중앙 polution 제어 위원회와 미국 대사관으로부터 공개된 자료를 이용해 뉴델리의 대기질 지수(AQI)와 오염물질 농도를 예측하기 위해 반경 기저 함수(RBF) 커널을 사용하는 서포트 벡터 회귀(SVR) 모델을 제안한다. 이 모델은 AQI 및 주요 오염물질 예측에서 93.4%의 정확도를 달성하여 주성분 분석(PCA) 기반 특성 선택 방식을 능가하며, 공중보건 및 정책 수립을 위한 강력한 예측 성능을 보여준다.

ABSTRACT

Air quality has a significant impact on human health. Degradation in air quality leads to a wide range of health issues, especially in children. The ability to predict air quality enables the government and other concerned organizations to take necessary steps to shield the most vulnerable, from being exposed to the air with hazardous quality. Traditional approaches to this task have very limited success because of a lack of access of such methods to sufficient longitudinal data. In this paper, we use a Support Vector Regression (SVR) model to forecast the levels of various pollutants and the air quality index, using archive pollution data made publicly available by Central Pollution Control Board and the US Embassy in New Delhi. Among the tested methods, a Radial Basis Function (RBF) kernel produced the best results with SVR. According to our experiments, using the whole range of available variables produced better results than using features selected by principal component analysis. The model predicts levels of various pollutants, like, sulfur dioxide, carbon monoxide, nitrogen dioxide, particulate matter 2.5, and ground-level ozone, as well as the Air Quality Index (AQI), at an accuracy of 93.4 percent.

연구 동기 및 목표

• 뉴델리의 대기질 지수(AQI) 및 오염물질 농도를 정확하게 예측할 수 있는 기계학습 모델을 개발하는 것.
• 주성분 분석(PCA)을 포함한 다양한 특성 선택 방법의 효과성을 평가하여 대기질 예측에 대한 영향을 분석하는 것.
• 서포트 벡터 회귀(SVR)에서 다양한 커널 함수의 성능을 평가하여 이들 중 어떤 커널 함수가 대기질 예측에 가장 우수한 성능을 보이는지 확인하는 것.
• 기상 조건이 악화될 경우 조기에 경고를 제공할 수 있도록 공중보건 당국에 실질적인 통찰을 제공하는 것.

제안 방법

• 연구는 뉴델리의 중앙 오염 제어 위원회 및 미국 대사관으로부터 수집된 종단적 대기질 데이터를 기반으로 다양한 커널 함수를 사용한 서포트 벡터 회귀(SVR)를 적용하여 대기질 예측 모델을 수립한다.
• 다양한 설정에서의 성능 비교를 통해 RBF 커널이 최적의 커널로 선정된다.
• 모델은 뉴델리의 중앙 오염 제어 위원회 및 미국 대사관으로부터 수집된 종단적 대기질 데이터를 사용한다.
• 특성 공학은 가용한 모든 변수를 사용하는 방식을 적용하며, 이는 주성분 분석(PCA)을 통한 차원 감소 방식보다 성능이 뛰어나다.
• 모델 훈련 및 평가는 예측 정확도를 평가하기 위해 표준 회귀 평가 지표를 사용한다.
• 최종 모델은 AQI와 주요 오염물질 농도를 예측한다: 이산화황, 일氧化탄소, 이산화질소, PM2.5, 지상 오존.

실험 결과

연구 질문

• RQ1 뉴델리의 AQI 및 오염물질 농도를 예측할 때 가장 높은 정확도를 보이는 기계학습 모델 아키텍처는 무엇인가?
• RQ2 모든 가용 입력 변수를 사용하는 것과 주성분 분석(PCA)을 통한 차원 감소를 비교했을 때 예측 성능는 어떻게 다를까?
• RQ3 이 맥락에서 서포트 벡터 회귀(SVR)의 다양한 커널 함수 중 어떤 것이 대기질 예측에 가장 뛰어난 성능을 보이는가?
• RQ4 기계학습 모델이 공중보건 조치를 지원할 수 있도록 충분한 사전 경고 시간을 확보할 수 있는가?

주요 결과

• 반경 기저 함수(RBF) 커널을 사용하는 SVR 모델이 테스트된 모든 모델 중에서 가장 높은 예측 정확도를 기록했다.
• 모델은 모든 입력 변수를 사용하여 대기질 지수(AQI)에 대해 93.4%의 예측 정확도를 달성했다.
• 모든 가용 특성을 사용한 결과는 주성분 분석(PCA)을 통해 선택된 특성 사용 결과보다 우수했다.
• 모델은 PM2.5, 이산화질소, 이산화황, 일산화탄소, 지상 오존과 같은 주요 오염물질의 농도를 성공적으로 예측했다.
• RBF 커널은 다른 테스트된 커널 함수들에 비해 더 뛰어난 일반화 능력과 강건성을 보였다.
• 이 연구는 기계학습 모델이 뉴델리와 같은 고도로 오염된 도시 환경에서 대기질을 효과적으로 예측할 수 있음을 확인했다.