A Deep Learning Approach to Spatio-Temporal Air Quality Prediction

Abstract

As air pollution problem in Korea becomes severe, the demand for future air quality prediction has been increased. However, accurate prediction is a challenging problem because it is composed of several heterogeneous factors such as meteorological and vehicle exhaust. Hence, air quality prediction model should capture the correlation of heterogeneous data features in terms of spatio-temporal relations. In this thesis, we propose a deep learning model to capture both regional spatio-temporal relations and foreign influences. We discover important findings that air pollution monitoring stations in Seoul Metropolitan Area has different data distribution by station type, which means existence of relationships regardless of geographical closeness. Based on adjacency matrix constructed from the distance with mutual information threshold, it can leverages both geographical closeness and station type implicitly. We propose a graph convolutional recurrent network with auxiliary network and evaluate by simulation results. Finally, we apply inverse distance weighting interpolation to predict city-wide air quality and present geographic visualization for Seoul areas.

한국의 대기오염 문제가 심각해짐에 따라, 미세먼지농도 예측에 대한 수요가 증가하고 있다. 하지만 미세먼지는 기상 및 차량 배기와 같은 다양한 요인의 영향이 있기 때문에 정확한 예측이 어렵다. 따라서 미세먼지농도 예측 모델은 시공간 관계 뿐만 아니라 다양한 데이터의 상관 관계를 포착해야한다. 본 학위논문에서는 지역적 시공간 관계와 외부 영향 모두를 파악하기위한 딥러닝 예측 모델을 제안한다. 우리는 서울시 대기오염 측정소별 데이터 분석을 통해 측정소 유형별로 데이터 분포가 다르다는 것을 발견했다. 이는 지리적 근접성과는 무관한 상관관계의 존재를 의미한다. 상호의존정보 값을 임계값으로 한 측정소 거리 기반으로 구성된 인접 행렬을 구성함으로써 지리적 근접성과 측정소의 관계를 내재적으로 활용할 수 있다. 우리는 그래프 컨볼루션 순환 네트워크에 보조 네트워크롤 접목한 모델을 제안하고, 타당성을 실험적으로 검토한다. 끝으로, 역 거리 가중치 보간법을 적용하여 도시 전역의 미세먼지 농도를 예측하고, 서울 지역에서의 시각화를 제시한다.