Spatio-Temporal Prediction Using Deep Neural Networks

Abstract

크리깅은 관측한 시공간 데이터를 이용해 관측되지 않은 위치를 예측하는 통계적 기법이다. 데이터를 예측하여 보간하는데 시공간 데이터의 시공간 의존성을 이용한다. 그러나 복잡한 데이터의 경우 크리깅은 최적의 예측값이 되지 않을 수 있다. 최근 심층 신경망을 이용한 딥러닝은 많은 분야에서 활용되고 있다. 다층 퍼셉트론을 회귀에 활용할 수 있다는 점을 이용해 본 논문에서는 이 신경망 구조를 이용한 새로운 크리깅 방법을 제안한다. 이 방법은 더 복잡한 시공간 확률 과정을 학습할 수 있다. 그다음, 통계 학습 이론의 관점에서 기존의 크리깅 방법과 제안된 방법을 비교한다. 마지막으로, 실제 한국의 미세먼지 농도 데이터에 제안된 방법을 활용하여 이것의 성능을 평가한다. 여기서 교차 검증 방법을 사용한다.

Kriging provides the Best Linear Unbiased Predictor (BLUP) for a spatial data or spatio-temporal data. This is a method of interpolation used to predict spatial process or spatio-temporal process at unobserved locations. However, for complex data, Kriging, the linear predictor, may not be optimal. Nowadays, Deep learning using Deep neural networks (DNNs) is being used in many fields. Deep feedforward networks can be used for regression, so I propose a novel prediction method using DNN structure in this study. This method may learn more complex spatio-temporal dependencies. Next, I study the traditional Kriging and my method in terms of statistical learning theory. Finally, I apply my method to Korea fine dust data to evaluate the performance. Here, the K-fold Cross Validation method for spatio-temporal data is used.