基於PM2.5長時間序列深度學習的極端事件預測

Abstract

在測量空氣品質時，PM2.5的濃度是一個非常重要的指標。然而，在過往的時序資料領域的工作大多集中在預測短時間未來數值或長期的趨勢走向上，而沒有考慮到自然的時序資料所面臨的極端事件議題。這篇論文提出了三個基於解決極端資料和時序預測應用在PM2.5的損失函數和模型架構---極端事件損失函數、 Transformer 和 Composite Network 。首先，很少有研究在針對極端事件推導出相對應的損失函數。我們根據極端數值分佈結合非均衡資料的損失函數，得到的新穎目標函數。同時討論在不同目標函數下的訓練結果。第二，我們採用了 Transformer 的神經網路模型來取代過往時序資料中常見使用的循環神經網路。第三，為了解決極端事件造成模型難以訓練的問題，我們提出 Composite Network 的神經網路架構。與先前利用一個模型來預測不同，我們先把原始問題根據資料或損失函數拆解成更小的子問題並分別訓練，最後合併回歸原始問題，讓合併的模型可以針對不同的情況預測出更加準確的數值。我們的資料集採用臺灣中央氣象局所提供的2014到2020，總共七年的空氣品質資料。綜上所述，本研究為未來基於極端資料、非均衡資料和時序資料的預測引入了新的研究方向。