[论文解读] Delhi air quality prediction using LSTM deep learning models with a focus on COVID-19 lockdown

Animesh Tiwari, Rishabh Gupta+1 more|arXiv (Cornell University)|Feb 21, 2021

Air Quality Monitoring and Forecasting被引用 24

一句话总结

该论文开发并比较基于 LSTM 的模型（LSTM、BD-LSTM、ED-LSTM）用于德里的短期多步和长期 PM2.5 预测，在 COVID-19 封锁期进行评估并包含不确定性量化。

ABSTRACT

Air pollution has a wide range of implications on agriculture, economy, road accidents, and health. In this paper, we use novel deep learning methods for short-term (multi-step-ahead) air-quality prediction in selected parts of Delhi, India. Our deep learning methods comprise of long short-term memory (LSTM) network models which also include some recent versions such as bidirectional-LSTM and encoder-decoder LSTM models. We use a multivariate time series approach that attempts to predict air quality for 10 prediction horizons covering total of 80 hours and provide a long-term (one month ahead) forecast with uncertainties quantified. Our results show that the multivariate bidirectional-LSTM model provides best predictions despite COVID-19 impact on the air-quality during full and partial lockdown periods. The effect of COVID-19 on the air quality has been significant during full lockdown; however, there was unprecedented growth of poor air quality afterwards.

研究动机与目标

• 在 COVID-19 封锁影响下，推动德里短期与长期空气质量预测的鲁棒性。
• 评估基于 LSTM 的架构（LSTM、BD-LSTM、ED-LSTM）在多变量与单变量 PM2.5 预测中的表现。
• 开发滑动窗口三维数据表示，以实现多步前瞻预测（80 小时）和带不确定性量化的一月预测。

提出的方法

• 使用包括 PM2.5 和气象污染物在内的11个特征的多变量时间序列。
• 应用滑动窗口将二维数据转换为三维，N=5 个过去步长，Nout=10 个未来步长（80 小时）。
• 比较 LSTM、双向 LSTM (BD-LSTM) 和编码器-解码器 LSTM (ED-LSTM) 架构。
• 使用 Adam 优化器训练，200 轮，批量大小 20，ReLU 激活；通过 30 次运行的 RMSE 评估，给出均值和 95% CI。
• 研究单变量（仅 PM2.5）与多变量输入的差异；评估 COVID-19 封锁和季节性变化对模型性能的影响。
• 提供带不确定性量化的一月前瞻预测。

实验结果

研究问题

• RQ1 COVID-19 封锁期如何影响德里各监测站点的 PM2.5 水平？
• RQ2 哪种 LSTM 架构（LSTM、BD-LSTM、ED-LSTM）在多步 PM2.5 预测中最准确？
• RQ3 在封锁期，多变量输入方案是否优于单变量 PM2.5 的方法？
• RQ4 该模型能否提供可可靠解释的不确定性量化的一月前瞻预测？

主要发现

• 多变量 BD-LSTM 模型通常在各时间跨度上提供最佳的短期 PM2.5 预测。
• COVID-19 封锁期在全面封锁时 PM2.5 显著下降，随着限制措施放宽观察到不同的模式。
• 为长期预测提供不确定性量化，使一月预测具有概率解释性。
• 模型性能随数据处理方式（打乱窗口、季节性训练数据）以及输入是多变量还是单变量而变化。
• 在各监测站点，PM2.5 与 PM10 和 NOx 指标相关，支持多变量建模策略。