[论文解读] Deep-MAPS: Machine Learning based Mobile Air Pollution Sensing

Jun Song, Ke Han|arXiv (Cornell University)|Apr 28, 2019

Air Quality Monitoring and Forecasting参考文献 27被引用 5

一句话总结

Deep-MAPS 提出了一种机器学习框架，利用移动和固定空气质量传感器、城市大数据以及时空特征工程，在北京实现 1km×1km 和小时分辨率的 PM2.5 浓度推断，准确率达到 90.2% R²，均方根误差为 13.88，相比密集固定传感器网络，硬件成本降低高达 90% 的同时仍保持超过 85% 的准确率。

ABSTRACT

Mobile and ubiquitous sensing of urban air quality has received increased attention as an economically and operationally viable means to survey atmospheric environment with high spatial-temporal resolution. This paper proposes a machine learning based mobile air pollution sensing framework, called Deep-MAPS, and demonstrates its scientific and financial values in the following aspects. (1) Based on a network of fixed and mobile air quality sensors, we perform spatial inference of PM2.5 concentrations in Beijing (3,025 km2, 19 Jun-16 Jul 2018) for a spatial-temporal resolution of 1km-by-1km and 1 hour, with over 85% accuracy. (2) We leverage urban big data to generate insights regarding the potential cause of pollution, which facilitates evidence-based sustainable urban management. (3) To achieve such spatial-temporal coverage and accuracy, Deep-MAPS can save up to 90% hardware investment, compared with ubiquitous sensing that relies primarily on fixed sensors.

研究动机与目标

• 开发一种可扩展、低成本的移动空气质量传感框架，用于城市区域高时空分辨率的 PM2.5 制图。
• 通过利用机器学习从稀疏传感器数据中推断污染水平，降低空气质量监测的资本投入。
• 将城市大数据（包括交通、土地利用和气象特征）整合到预测模型中，以提升推断准确性。
• 通过揭示与城市布局和人类活动相关的污染动态，支持基于证据的城市政策制定。
• 证明机器学习增强的移动传感在可持续城市治理中的科学与经济可行性。

提出的方法

• Deep-MAPS 采用一种深度学习架构，结合局部、邻近和宏观特征，以建模空气污染中的时空相关性。
• 局部特征从特定网格的城市特征（如人口密度、道路网络和土地利用）中提取。
• 邻近特征通过在空间和时间邻域上应用 2D 卷积滤波器（3×3 和 5×5）计算，捕捉局部时空依赖性。
• 动态特征通过 1×1、3×3 和 5×5 卷积滤波器随时间处理，以建模污染驱动因素的时间演变。
• 宏观特征源自研究区域外 12 个固定站点的 PM2.5 数据，基于距离和风速进行时间偏移，以建模区域污染输送。
• 模型的最终输入为局部、邻近和宏观特征的拼接特征体，经 ReLU 激活的卷积层处理后用于回归。

实验结果

研究问题

• RQ1 机器学习能否有效利用稀疏移动和固定传感器数据，推断出高分辨率（1km×1km，小时）的 PM2.5 浓度？
• RQ2 与传统插值或回归方法相比，城市大数据特征在多大程度上能提升 PM2.5 推断的准确性？
• RQ3 通过使用由机器学习增强的移动传感框架替代密集固定传感器网络，硬件投入可降低多少？
• RQ4 区域污染输送（通过宏观特征体现）对本地 PM2.5 浓度预测的贡献有多大？
• RQ5 城市布局与动态（如交通、公共活力）在精细空间和时间尺度上与观测到的 PM2.5 水平有何关联？

主要发现

• 当使用全部特征类型（局部、邻近和宏观）时，Deep-MAPS 达到 0.911 的 R² 和 13.17 的 RMSE，表明具有很高的预测准确性。
• 该模型优于 KNN、SVR 和空间插值（IDW 和 Kriging）等基准方法，当使用局部、移动和宏观特征时，Deep-MAPS 的 SMAPE 为 15.54%，R² 达到 90.2%。
• 引入宏观特征（来自 12 个外部固定站点的 PM2.5 数据）显著提升了模型性能，与不使用它们的模型相比，RMSE 最多降低 15%。
• 该框架在 3,025 km² 的北京研究区域内，以 1km×1km 和小时分辨率实现了超过 85% 的 PM2.5 浓度推断准确率。
• Deep-MAPS 展示出将高分辨率空气质量监测的硬件投入降低高达 90% 的潜力，相比密集固定传感器网络。
• 城市大数据的整合使研究能够洞察污染源与动态，支持基于证据的城市政策制定和可持续管理。