Spatiotemporal Graph Convolutional Recurrent Neural Network Model for Citywide Air Pollution Forecasting

要約

タイトル：都市全体の大気汚染予測に対する時空間グラフ畳み込み再帰ニューラルネットワークモデル

要約：

– 都市全体の大気汚染予測では、複数時間先まで都市全体の空気の質を正確に予測する必要がある。
– 大気汚染は時空間的に変化し、多くの複雑な要因に依存するため、この問題に直面している。
– 以前の研究では、都市全体を画像として考慮し、畳み込み長期記憶（ConvLSTM）モデルを活用して時空間的特徴を学習することで、この問題を解決していた。
– しかし、大気汚染やその他の影響因子は自然なグラフ構造を持っているため、画像ベースの表現は理想的ではない。
– この研究では、グラフ畳み込みネットワーク（GCN）が都市全体の空気質の空間的特徴を効率的に表現できると主張している。
– 特に、GCNアーキテクチャをRNN構造に緊密に統合することにより、Spatiotemporal GCRNNモデルにConvLSTMモデルを拡張し、空気質値とその影響要因の時空的特性を効率的に学習する。
– 広範な実験により、提案されたモデルは最新のConvLSTMモデルと比較して性能が向上し、パラメータ数がはるかに少ないことが証明された。さらに、私たちのアプローチは、現実世界の大気汚染データセットにおいて、ハイブリッドGCNベースの手法にも優れているという。

要約(オリジナル)

Citywide Air Pollution Forecasting tries to precisely predict the air quality multiple hours ahead for the entire city. This topic is challenged since air pollution varies in a spatiotemporal manner and depends on many complicated factors. Our previous research has solved the problem by considering the whole city as an image and leveraged a Convolutional Long Short-Term Memory (ConvLSTM) model to learn the spatiotemporal features. However, an image-based representation may not be ideal as air pollution and other impact factors have natural graph structures. In this research, we argue that a Graph Convolutional Network (GCN) can efficiently represent the spatial features of air quality readings in the whole city. Specially, we extend the ConvLSTM model to a Spatiotemporal Graph Convolutional Recurrent Neural Network (Spatiotemporal GCRNN) model by tightly integrating a GCN architecture into an RNN structure for efficient learning spatiotemporal characteristics of air quality values and their influential factors. Our extensive experiments prove the proposed model has a better performance compare to the state-of-the-art ConvLSTM model for air pollution predicting while the number of parameters is much smaller. Moreover, our approach is also superior to a hybrid GCN-based method in a real-world air pollution dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI