DIGITAL LIBRARY ARCHIVE
HOME > DIGITAL LIBRARY ARCHIVE
< Previous   List   Next >  
Application of spatiotemporal transformer model to improve prediction performance of particulate matter concentration
Full-text Download
Youngkwang Kim (Data Solution Business Department, WesleyQuest Co., Ltd.)
Bokju Kim (D&A Platform Department, Woori Finance Information System Co., Ltd.)
SungMahn Ahn (School of Business Administration, Kookmin University)
Vol. 28, No. 1, Page: 329 ~ 352
Keywords
Time series data analysis, PM concentration prediction, Attention mechanism, Spatiotemporal transformer, Time to Vector
Abstract
초록 3 (영어)해외 DB 연계용 diseases and respiratory diseases such as lung cancer. The subway is a means of transportation used by an average of 10 million people a day, and although it is important to create a clean and comfortable environment, the level of particulate matter pollution is shown to be high. It is because the subways run through an underground tunnel and the particulate matter trapped in the tunnel moves to the underground station due to the train wind. The Ministry of Environment and the Seoul Metropolitan Government are making various efforts to reduce PM concentration by establishing measures to improve air quality at underground stations. The smart air quality management system is a system that manages air quality in advance by collecting air quality data, analyzing and predicting the PM concentration. The prediction model of the PM concentration is an important component of this system. Various studies on time series data prediction are being conducted, but in relation to the PM prediction in subway stations, it is limited to statistical or recurrent neural network-based deep learning model researches. Therefore, in this study, we propose four transformer-based models including spatiotemporal transformers. As a result of performing PM concentration prediction experiments in the waiting rooms of subway stations in Seoul, it was confirmed that the performance of the transformer-based models was superior to that of the existing ARIMA, LSTM, and Seq2Seq models. Among the transformer-based models, the performance of the spatiotemporal transformers was the best. The smart air quality management system operated through data-based prediction becomes more effective and energy efficient as the accuracy of PM prediction improves. The results of this study are expected to contribute to the efficient operation of the smart air quality management system.
Show/Hide Detailed Information in Korean
미세먼지 예측 성능 개선을 위한 시공간 트랜스포머 모델의 적용
김영광 ((주)웨슬리퀘스트)
김복주 (우리에프아이에스(주))
안성만 (국민대학교)
Keywords
시계열 데이터 분석, 미세먼지 농도 예측, 어텐션 기법, 시공간 트랜스포머, 타임투벡터 임베딩
Abstract
미세먼지는 폐나 혈관에 침투해 각종 심장 질환이나 폐암 등의 호흡기 질환을 일으키는 것으로 보고되고 있다. 지하철은 일 평균 천만 명이 이용하는 교통수단으로, 깨끗하고 쾌적한 환경조성이 중요하나 지하터널을 통과하는 지하철의 운행 특성과 터널에 갇힌 미세먼지가 열차풍으로 인해 지하역사로 이동하는 등의 문제로 지하역사의 미세먼지 오염도는 높은 것으로 나타나고 있다. 환경부와 서울시는 지하역사 공기질 개선대책을 수립하여 다양한 미세먼지 저감 노력을 기울이고 있다. 스마트 공기질 관리 시스템은 공기질 데이터 수집 및 미세먼지 농도를 예측하여 공기질을 관리하는 시스템으로 미세먼지 농도 예측 모델이 중요한 구성 요소이다. 그동안 시계열 데이터 예측에 관한 다양한 연구가 진행되어왔지만, 지하철 역사의 미세먼지 농도 예측과 관련해서는 통계나 순환신경망 기반의 딥러닝 모델 연구에 국한되어 있다. 이에 본 연구에서는 시공간 트랜스포머를 포함한 4개의 트랜스포머 기반 모델을 제안한다. 서울시 지하철 역사의 대합실을 대상으로 한 시간 후의 미세먼지 농도 예측실험을 수행한 결과, 트랜스포머 기반 모델들의 성능이 기존의 ARIMA, LSTM, Seq2Seq 모델들에 비해 우수한 성능을 나타냄을 확인하였다. 트랜스포머 기반 모델 중에서는 시공간 트랜스포머의 성능이 가장 우수하였다. 데이터 기반의 예측을 통하여 운영되는 스마트 공기질 관리 시스템은 미세먼지 예측의 정확도가 향상될수록 더욱 더 효과적이고 에너지 효율적으로 운영될 수 있다. 본 연구 결과는 스마트 공기질 관리 시스템의 효율적 운영에 기여할 수 있을 것으로 기대된다.
Cite this article
JIIS(APA) Style
Kim, Y., Kim, B., & Ahn, S. (2022). Application of spatiotemporal transformer model to improve prediction performance of particulate matter concentration. Journal of Intelligence and Information Systems, 28(1), 329-352.

IEEE Style
Youngkwang Kim, Bokju Kim, and SungMahn Ahn, "Application of spatiotemporal transformer model to improve prediction performance of particulate matter concentration", Journal of Intelligence and Information Systems, vol. 28, no. 1, pp. 329~352, 2022.

ACM Style
Kim, Y., Kim, B., & Ahn, S., 2022. Application of spatiotemporal transformer model to improve prediction performance of particulate matter concentration. Journal of Intelligence and Information Systems. 28, 1, 329--352.
Export Formats : BiBTeX, EndNote
Advanced Search
Date Range

to
Search
@article{Kim:JIIS:2022:875,
author = {Kim, Youngkwang and Kim, Bokju and Ahn, SungMahn},
title = {Application of spatiotemporal transformer model to improve prediction performance of particulate matter concentration},
journal = {Journal of Intelligence and Information Systems},
issue_date = {March 2022},
volume = {28},
number = {1},
month = Mar,
year = {2022},
issn = {2288-4866},
pages = {329--352},
url = {},
doi = {},
publisher = {Korea Intelligent Information System Society},
address = {Seoul, Republic of Korea},
keywords = { Time series data analysis, PM concentration prediction, Attention mechanism, Spatiotemporal transformer and Time to Vector },
}
%0 Journal Article
%1 875
%A Youngkwang Kim
%A Bokju Kim
%A SungMahn Ahn
%T Application of spatiotemporal transformer model to improve prediction performance of particulate matter concentration
%J Journal of Intelligence and Information Systems
%@ 2288-4866
%V 28
%N 1
%P 329-352
%D 2022
%R
%I Korea Intelligent Information System Society