Mining Spatial-Temporal Relations for Air Quality Prediction Model
Mining Spatial-Temporal Relations for Air Quality Prediction Model

  本研究應用大數據分析的概念分析台灣地區周圍懸浮微粒(PM)時空格局關係,藉由數據探勘針對懸浮微粒的時空關聯如變異性及時序趨勢性提供詳細的描述。

  本研究組合多種類神經包含卷積類神經網路與長短期記憶等,並考量測站多種時序資料高程空間資訊,其中組合資料方式為地理關聯與時序相似。在模型設計上,透過多個測站時序整體趨勢的表現,且考慮相鄰測站與相似測站的關聯性,從實驗結果亦可得知,測站表現應受到具時間與空間關聯性測站的影響。亦可發現北部、竹苗、中部、雲嘉南及外島空品區都具有超過八成的準確度,而高屏、宜蘭及花東空品區則低於平均,高屏空品區低於平均的原因可推估為該區空氣品質變化莫測,受到許多人為因素的影響,對於宜蘭及花東空品區,雖然該空品區波動不大,但時序遽然的變化,容易造成預測之難度。

  本研究亦建置網站平台提供回放、即時及預測的空氣品質資料,透過本研究所建構的空氣品質資料雲端平台也能用來分析天氣情況和比對空氣品質關聯性,可有效的探討空氣品質資料之時空異質性及趨勢性,及展示各個地區空氣品質的特性與空間分佈,透過這些資訊將能喚起公眾對環境健康之重視,以達到減少與控制污染物排放之目的,透過大數據探勘技術對空氣品質之空間-時間關係提供適當和足夠的解釋力,尤其是瞭解空氣污染的頻率與影響範圍。

Adaptive Deep Learning-based Air Quality Prediction Model

  懸浮微粒(統稱PM,含有粗及細懸浮微粒)對健康的影響不亞於其他任何污染物。其中細懸浮微粒(PM2.5)因粒徑小可深入肺泡,並可能抵達細支氣管壁,干擾肺部內的氣體交換。長期暴露於懸浮微粒,可引發心血管病、呼吸道疾病以及增加肺癌的危險。

  在這個研究中,我們不僅提出預測模型提供PM2.5在未來數小時內的估計值,我們更探討細懸浮微粒資料之時空異質性及趨勢性,及展示各個地區細懸浮微粒的特性與空間分佈。我們提出結合多種類神經網路包含卷積類神經網路與長短期記憶等,如圖一所示,並考量測站時序資料包含前六個時刻PM2.5、PM10、溫度、風速、風向、平均風速、平均風向與相對溼度,以及高程空間資訊。

  在模型設計上,透過多個測站時序整體趨勢的表現,我們提出了兩種選擇相關測站的方式:相鄰測站與相似測站的關聯性。在相鄰測站方面我們採用kNN-ED找出空間關聯性;相似測站則採用kNN-DTWD找出時序關聯性,透過類神經網路將兩者關聯性合併且透過資料訓練其關聯比例,進而可預估及解釋該測站之表現。

 Back