[论文解读] Deep Inferential Spatial-Temporal Network for Forecasting Air Pollution Concentrations

Hao Wang, Bojin Zhuang+3 more|arXiv (Cornell University)|Sep 11, 2018

Air Quality Monitoring and Forecasting参考文献 6被引用 9

一句话总结

本文提出了一种深度推断时空网络（DIST-NET），通过整合推断学习、卷积神经网络（CNNs）以及带有注意力机制的序列到序列模型，对北京35个监测站的PM2.5、PM10和O3浓度进行48小时的预测。该模型利用历史空气污染与气象数据，在大规模真实世界数据集上实现了SMAPE和RMSE指标的最先进性能。

ABSTRACT

Air pollution poses a serious threat to human health as well as economic development around the world. To meet the increasing demand for accurate predictions for air pollutions, we proposed a Deep Inferential Spatial-Temporal Network to deal with the complicated non-linear spatial and temporal correlations. We forecast three air pollutants (i.e., PM2.5, PM10 and O3) of monitoring stations over the next 48 hours, using a hybrid deep learning model consists of inferential predictor (inference for regions without air pollution readings), spatial predictor (capturing spatial correlations using CNN) and temporal predictor (capturing temporal relationship using sequence-to-sequence model with simplified attention mechanism). Our proposed model considers historical air pollution records and historical meteorological data. We evaluate our model on a large-scale dataset containing air pollution records of 35 monitoring stations and grid meteorological data in Beijing, China. Our model outperforms other state-of-art methods in terms of SMAPE and RMSE.

研究动机与目标

• 解决在复杂非线性时空相关性背景下实现高精度长期空气污染预测的挑战。
• 提升对关键污染物——PM2.5、PM10和O3——在多个监测站上的预测性能。
• 通过引入推断学习，对无直接测量数据的区域进行预测，增强空间泛化能力。
• 构建一种混合深度学习框架，结合CNNs捕捉空间模式与带有注意力机制的序列到序列模型处理时间动态。
• 在北京市大规模真实世界空气质量与气象数据集上对模型进行评估。

提出的方法

• 模型采用推断预测器，估算无直接传感器读数区域的污染水平，从而提升空间覆盖范围。
• 基于二维卷积神经网络（CNNs）的空间预测器，捕捉监测站之间的空间相关性。
• 时间预测器采用带有简化注意力机制的序列到序列架构，以建模污染序列中的时间依赖性。
• 框架联合优化历史空气质量记录与基于网格的气象数据的预测结果。
• 模型在北京市35个监测站的时空序列观测数据上进行端到端训练。
• 推断、空间与时间组件的集成，使模型在数据稀疏与非线性动态条件下具备稳健的预测能力。

实验结果

研究问题

• RQ1 深度学习模型能否有效捕捉空气污染数据中复杂的非线性时空相关性？
• RQ2 结合推断学习、CNNs与序列到序列建模的混合模型，在48小时内对多污染物浓度的预测表现如何？
• RQ3 与仅使用污染数据的模型相比，引入气象数据在多大程度上提升了预测精度？
• RQ4 通过推断学习，模型能否在无直接测量数据的站点上实现良好泛化？
• RQ5 在真实世界空气质量数据上，该模型在SMAPE与RMSE指标上与最先进方法相比表现如何？

主要发现

• 所提出的DIST-NET模型在北京市空气质量数据集上的SMAPE与RMSE指标上均优于最先进方法。
• 在48小时预测时间范围内，该模型对三种污染物——PM2.5、PM10与O3——的预测误差均更低。
• 推断学习的引入显著提升了监测覆盖稀疏区域的预测性能。
• 在序列到序列模型中使用简化注意力机制，有效提升了时间建模的效率与准确性。
• 基于CNN的空间预测器能有效捕捉北京市35个监测站之间的空间依赖关系。
• 实证结果证实，引入气象数据可使预测结果比仅依赖污染数据的基线模型更加稳健与精确。