Air Quality Prediction Using a Hybrid Deep Learning Architecture

Abstract

Air pollution prediction is related to the variables in environmental monitoring data and modeling of the complex relationship between these variables. The objectives of the thesis are to develop a supervised model for the prediction of air pollution by using real sensor data and to transfer the model between cities. A CNN+LSTM deep neural network model was developed to predict the concentration of air pollutants in multiple locations by using a spatial-temporal relationship. The 2D input (univariate) contains the information of one pollutant; the 3D input (multivariate) contains the information of all pollutants and meteorology. There are three methods employed according to the input-output type: Method-1 is based on univariate-input and univariate-output; Method-2 is based on multivariate input and univariate-output; Method-3 is based on multivariate input and multivariate output. The study was carried out for different pollutants which are in publicly available data of the cities of Barcelona, Kocaeli, and İstanbul. The hyperparameters were tuned to determine the architecture that achieved the lowest test RMSE. Comparing the performance of the CNN+LSTM network with a 1-hidden layer LSTM network, the proposed model improved the prediction performance by the rates between 11%-53% for PM10, 20%-31% for O3, 9%-47% for NOX and 18%-46% for SO2. After, the network weights were transferred from the source domains to the target domain. The model has a more reliable prediction performance with the transfer of the network from Kocaeli to İstanbul because of the similarities between those two cities.

Hava kirliliği tahmini, çevresel izleme verilerindeki değişkenlerle ve bu değişkenler arasındaki karmaşık ilişkinin modellenmesiyle ilgilidir. Tezin amacı, gerçek sensör verilerini kullanarak hava kirliliğinin tahmini için denetimli bir model geliştirmek ve modeli şehirler arasında aktarmaktır. Mekansal-zamansal bir ilişki kullanarak birden çok konumdaki hava kirleticilerinin konsantrasyonunu tahmin etmek için bir CNN+LSTM derin sinir ağı modeli geliştirildi. 2B ve 3B girdi yapıları tanımlanır: 2D girdi (tek değişkenli) bir kirleticinin bilgisini içerir; 3B girdi (çok değişkenli) tüm kirleticiler ve meteoroloji bilgilerini içerir. Girdi-çıktıya göre üç farklı yöntem vardır: Yöntem-1 tek değişkenli girdi ve tek değişkenli çıktıya dayanır; Yöntem-2, çok değişkenli girdi ve tek değişkenli çıktıya dayanmaktadır; Yöntem-3, çok değişkenli girdi ve çok değişkenli çıktıya dayanmaktadır. Çalışma Barselona, Kocaeli ve İstanbul şehirlerinin kamuya açık verilerinde bulunan farklı kirleticiler için yapılmıştır. Hiperparametreler, en düşük RMSE testine ulaşan mimariyi belirlemek için ayarlandı. CNN+LSTM ağının performansı 1 gizli katmanlı LSTM ağıyla karşılaştırıldığında, önerilen model tahmin performansını PM10 için 11%-53%, O3 için 20%-31%, NOX için 9%-47% ve SO2 için 18%-46% arasındaki oranlarla geliştirildi. Ardından ağ ağırlıkları kaynak alanlardan hedef alana aktarıldı. Model, ağın Kocaeli'den İstanbul'a aktarımı ile bu iki şehir arasındaki benzerlikten dolayı daha güvenilir bir tahmin performansına sahiptir.