Spatio-Temporal Forecasting of PM2.5 via Spatial-Diffusion guided Encoder-Decoder Architecture

要約

時空間予測を必要とする多くの問題設定では、時系列の値は時空間相関を示すだけでなく、場所間の空間拡散の影響も受けます。
その一例として、大気中の微小粒子状物質 (PM2.5) の濃度を予測することが挙げられます。この濃度は多くの複雑な要因の影響を受けますが、最も重要なものは気象要因による拡散や長期間にわたる長距離にわたる輸送です。
我々は、特にこれらの依存関係を捉えて PM2.5 濃度を予測する、新しい時空間グラフ ニューラル ネットワーク アーキテクチャを紹介します。
私たちのモデルは、エンコーダーとデコーダーの部分が、空間拡散を考慮してグラフ ニューラル ネットワーク (TransformerConv) で強化されたゲート反復ユニット (GRU) を活用するエンコーダー デコーダー アーキテクチャに基づいています。
私たちのモデルは、時系列または時空間予測のためのさまざまな既存のモデルを一般化したものとみなすこともできます。
私たちは、2 つの現実世界の PM2.5 データセットでモデルの有効性を実証します: (1) 最近導入された低コスト PM$_{2.5}$ センサーのネットワークを使用して、インドの州全域にわたる 511 か所から収集されたデータ。
ビハール州を 1 年間にわたって調査したデータセット、(2) 中国の深刻な汚染地域を 4 年間カバーした別の公開データセット。
私たちの実験結果は、空間依存性と時間依存性の両方を正確に説明するモデルの優れた能力を示しています。

要約(オリジナル)

In many problem settings that require spatio-temporal forecasting, the values in the time-series not only exhibit spatio-temporal correlations but are also influenced by spatial diffusion across locations. One such example is forecasting the concentration of fine particulate matter (PM2.5) in the atmosphere which is influenced by many complex factors, the most important ones being diffusion due to meteorological factors as well as transport across vast distances over a period of time. We present a novel Spatio-Temporal Graph Neural Network architecture, that specifically captures these dependencies to forecast the PM2.5 concentration. Our model is based on an encoder-decoder architecture where the encoder and decoder parts leverage gated recurrent units (GRU) augmented with a graph neural network (TransformerConv) to account for spatial diffusion. Our model can also be seen as a generalization of various existing models for time-series or spatio-temporal forecasting. We demonstrate the model’s effectiveness on two real-world PM2.5 datasets: (1) data collected by us using a recently deployed network of low-cost PM$_{2.5}$ sensors from 511 locations spanning the entirety of the Indian state of Bihar over a period of one year, and (2) another publicly available dataset that covers severely polluted regions from China for a period of 4 years. Our experimental results show our model’s impressive ability to account for both spatial as well as temporal dependencies precisely.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google