Prediction of air quality index based on LSTM model with multivariable time series

국문 초록 (Abstract)

베이징과 서울은 지역별 대기질 지수(AQI)를 미리 예측함으로써 적절한 시기에 경고를 할 수 있는 위도 상관관계를 가지고 있으면 본 논문에서는 향후 10시간동안의 베이징과 서울의 단기 대기질 지수인 AQI를 예측하는 딥러닝 모델인 LSTM을 제시 한다. 베이징 관측소의 2015년과 서울 관측소의 2015년의 AQI 시계열 데이터세트에서 미세먼지 농도 데이터(주로 PM2.5·공기역학 지름이 2.5mm 미만인 미세먼지)와 같은 기간 공기 중의 기체 오염물질 데이터(주로 CO, NO2, O3, SO2)를 종합했다. 종합된 모든 데이터를 LSTM 학습을 위한 학습데이터와 학습된 LSTM의 평가를 위한 테스트 데이터로 나눈 후 LSTM을 학습시켜 대기질 지수 지표의 예측치를 얻었다. 본 논문에서는 데이터 특징이 다른 베이징 관측소와 서울 관측소의 데이터를 AQI 서열 모형에 입력하여 AQI 지표 예측 농도 값을 받아온다. 그 후 AQI 지표 예측 농도의 평균값을 각 도시의 전체 AQI 예측결과로 산출한다. LSTM의 학습정도를 평가하기 위하여 평균 제곱오차(MSE)를 정량적 근거로 사용하였으며, 평균 제곱오차가 가장 작은 모델을 반복적으로 사용하여 좋은 결과를 얻었다.

다국어 초록 (Multilingual Abstract)

This paper presents a deep learning model to predict the AQI in Beijing and Seoul, aims at predicting short-term air quality from 12:00 am to 10:00 am (10 hours) on January 1, 2016. The particle concentration data (mainly PM2.5, i.e., particles with aerodynamic diameter ≤ 2.5 mm) of Beijing and Seoul monitoring stations are considered. The data is then converted into the supervised learning format and normalized. The Long Short-Term Memory (LSTM) is then used for training to obtain the predicted values of AQI indicators. The representative stations provide the AQI sequences with different data characteristics which are then used in a model to obtain the predicted concentration values of the AQI indicators of the representative stations. We then calculate the average value as the overall AQI prediction result of Beijing and Seoul. The AQI time-series datasets were collected from monitoring stations in Beijing from 2015 and Seoul from 2015. the Mean Square Error (MSE) is used in the laboratory as a basis for experimental coordination and as a quantitative basis for predicting model capabilities. Our results suggest that the proposed model outperforms the loss rate of the RNN-based models and provides an accurate prediction of the future AQI.

목차 (Table of Contents)

• LIST OF TABLES ⅲ
• LIST OF FIGURES ⅳ
• 1. Introduction 1
• 1.1 Motivation 1
• 1.2 Current State of Air quality monitoring 2
• 1.3 Existing air pollutants forecasting methods 4
• 1.4 Related works 5
• 2. IDE & Long Short-Time Memory (LSTM) 7
• 2.1 Hardware Environment 7
• 2.2 Software Environment 7
• 2.3 Long Short-Time Memory Neural Networks (LSTM) 9
• 3. Gradient descent method 16
• 3.1 Batch gradient descent 16
• 3.2 Stochastic gradient descent（SGD) 17
• 3.3 Mini-batch gradient descent 18
• 3.4 Adagrad optimizer 18
• 3.5 Adadelta optimizer 19
• 3.6 Nadam optimizer 21
• 3.7 Root Mean Square Prop (RMSProp) optimizer 22
• 3.8 Adaptive Moment Estimation optimizer 23
• 4. Prediction of Air Pollution & Input Data 25
• 4.1 Prediction methods 25
• 4.2 Time series prediction problem 27
• 4.3 Dataset description and settings 27
• 5. Forecasting Results and Discussion 32
• 5.1 Parameter Settings and Sensitivity 32
• 5.2 Optimizer Comparison 38
• 5.3 Analysis of prediction results 40
• 6. Conclusion 44
• References 45
• Abstract 48