[论文解读] PlumeNet: Large-Scale Air Quality Forecasting Using A Convolutional LSTM Network

Antoine Alléon, Grégoire Jauvion+2 more|arXiv (Cornell University)|Jun 14, 2020

Air Quality Monitoring and Forecasting参考文献 22被引用 11

一句话总结

PlumeNet 提出了一套大规模空气质量预测系统，采用卷积长短期记忆神经网络（Convolutional LSTM），整合实时空气质量监测数据、气象预报以及空气质量物理与化学模型（AQPCM）的输出，以0.5°分辨率预测欧洲和美国的NO₂、O₃、PM₂.₅和PM₁₀。该模型在标准GPU上仅需几分钟即可完成高精度的4天预测，显著优于基线模型，且因计算成本低，可实现频繁更新。

ABSTRACT

This paper presents an engine able to forecast jointly the concentrations of the main pollutants harming people's health: nitrogen dioxyde (NO2), ozone (O3) and particulate matter (PM2.5 and PM10, which are respectively the particles whose diameters are below 2.5 um and 10 um respectively). The forecasts are performed on a regular grid (the results presented in the paper are produced with a 0.5° resolution grid over Europe and the United States) with a neural network whose architecture includes convolutional LSTM blocks. The engine is fed with the most recent air quality monitoring stations measures available, weather forecasts as well as air quality physical and chemical model (AQPCM) outputs. The engine can be used to produce air quality forecasts with long time horizons, and the experiments presented in this paper show that the 4 days forecasts beat very significantly simple benchmarks. A valuable advantage of the engine is that it does not need much computing power: the forecasts can be built in a few minutes on a standard GPU. Thus, they can be updated very frequently, as soon as new air quality measures are available (generally every hour), which is not the case of AQPCMs traditionally used for air quality forecasting. The engine described in this paper relies on the same principles as a prediction engine deployed and used by Plume Labs in several products aiming at providing air quality data to individuals and businesses.

研究动机与目标

• 开发一种可扩展、低延迟的空气质量预测系统，用于大区域内的多种污染物预测。
• 将多种数据源——包括实时监测站数据、气象预报以及AQPCM输出——整合到统一的深度学习框架中。
• 通过降低计算需求，实现相比传统AQPCMs更频繁的预测更新（每小时一次）。
• 利用循环时空架构实现高达4天的准确长期预测。
• 证明将物理模型输出与数据驱动学习相结合可提升预测性能。

提出的方法

• 采用基于卷积长短期记忆（ConvLSTM）块的编码器-解码器架构，以建模空气污染数据中的时空依赖性。
• 在欧洲和美国区域采用0.5°的规则网格，实现大范围、空间连续的预测。
• 输入包括来自监测站的近期空气质量测量值、数值天气预报以及AQPCM输出，以增强物理一致性。
• 在2019年历史数据上进行端到端训练，损失函数在96小时预测时域上最小化。
• 利用ConvLSTM的循环特性，支持超出初始气象预报窗口的长期预测。
• 通过核大小消融实验确认，(3,3)核在空间上下文与模型复杂度之间达到最佳平衡。

实验结果

研究问题

• RQ1 深度学习模型能否在高空间和时间分辨率下，有效预测大区域内的多种空气污染物（NO₂、O₃、PM₂.₅、PM₁₀）？
• RQ2 与仅使用监测数据和气象预报相比，整合AQPCM输出在多大程度上提升了预测精度？
• RQ3 在长期（最多4天）空气质量预测中，ConvLSTM架构相比简单基线模型的性能优势有多大？
• RQ4 在此时空预测任务中，ConvLSTM块的最优核尺寸是什么？
• RQ5 该模型能否在极低计算成本下实现高精度预测，从而支持频繁重训练与实时更新？

主要发现

• PlumeNet模型在96小时预测时域的全局平均评估损失为0.130，显著优于简单基线模型。
• 对于NO₂，模型在96小时时的损失为0.168，表明其在氮氧化物预测方面表现优异。
• 采用(3,3)卷积核的模型实现全局损失0.166，优于(1,1)和(5,5)核，表明该感受野尺寸为最优。
• AQPCM输出的使用显著提升了预测精度，尤其在极端污染事件中表现突出。
• 预测可在标准GPU上几分钟内完成，支持使用最新空气质量测量数据进行每小时重新预测。
• 该模型在包括欧洲和美国在内的多样化区域中均保持高性能，NO₂和O₃的预测结果一致可靠。