[论文解读] A Novel Prediction Approach for Exploring PM2.5 Spatiotemporal Propagation Based on Convolutional Recursive Neural Networks

Hsing‐Chung Chen, Karisma Trinanda Putra+1 more|arXiv (Cornell University)|Jan 15, 2021

Air Quality Monitoring and Forecasting参考文献 31被引用 4

一句话总结

本文提出了一种新型卷积递归神经网络（CRNN）模型，利用台湾空气质量监测网络的数据预测PM2.5的时空传播。通过捕捉传感器节点之间的空间依赖性以及通过递归特征学习实现的时间动态，该模型实现了高精度的PM2.5浓度制图，从而能够为公众健康保护提供准确的早期预警。

ABSTRACT

The spread of PM2.5 pollutants that endanger health is difficult to predict because it involves many atmospheric variables. These micron particles can spread rapidly from their source to residential areas, increasing the risk of respiratory disease if exposed for long periods. The prediction system of PM2.5 propagation provides more detailed and accurate information as an early warning system to reduce health impacts on the community. According to the idea of transformative computing, the approach we propose in this paper allows computation on the dataset obtained from massive-scale PM2.5 sensor nodes via wireless sensor network. In the scheme, the deep learning model is implemented on the server nodes to extract spatiotemporal features on these datasets. This research was conducted by using dataset of air quality monitoring systems in Taiwan. This study presents a new model based on the convolutional recursive neural network to generate the prediction map. In general, the model is able to provide accurate predictive results by considering the bonds among measurement nodes in both spatially and temporally. Therefore, the particulate pollutant propagation of PM2.5 could be precisely monitored by using the model we propose in this paper.

研究动机与目标

• 开发一种深度学习模型，以准确预测PM2.5浓度在空间和时间上的传播。
• 利用无线传感器网络数据实现实时、大规模的PM2.5监测。
• 通过建模大气污染物中复杂的时空关系，改进早期预警系统。
• 通过先进的计算预测方法应对PM2.5快速传播及其健康影响的挑战。
• 展示卷积递归网络在环境预测中的有效性。

提出的方法

• 所提出的模型使用卷积递归神经网络（CRNN）从PM2.5传感器数据中提取时空特征。
• 通过卷积层对监测节点之间的空间关系进行建模，以捕捉局部空间模式。
• 通过递归处理学习时间动态，实现在时间步长上的序列建模。
• 模型在来自台湾空气质量监测系统的实际PM2.5数据集上进行训练。
• 利用CRNN生成的特征图，在区域内生成预测的PM2.5浓度图。
• 通过在统一框架中结合卷积层和递归层，整合空间与时间依赖性。

实验结果

研究问题

• RQ1 卷积递归神经网络能否有效建模PM2.5污染的时空传播？
• RQ2 CRNN模型在多远距离的监测站之间有效捕捉空间相关性？
• RQ3 与传统的时间序列模型或仅考虑空间的模型相比，该模型在预测精度上提升了多少？
• RQ4 该模型能否生成可靠、实时的PM2.5浓度图以用于早期预警应用？
• RQ5 空间与时间特征的融合在多大程度上提升了预测性能？

主要发现

• CRNN模型在多个空间位置和时间步长上均实现了高精度的PM2.5浓度预测。
• 通过其递归结构，该模型有效捕捉了监测站之间的长程空间依赖性。
• 卷积层与递归层的结合显著优于独立的RNN或CNN模型。
• 该模型生成了详细且动态的PM2.5浓度图，真实反映了传播模式。
• 该方法在实时空气质量早期预警系统中具有强大的部署潜力。
• 结果表明，时空特征学习显著提升了基线方法的预测可靠性。