低コスト大気質センサーの校正のための時間的ディープラーニングフレームワーク

arXiv cs.LG / 2026/4/24

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

この研究は、ドリフトや環境の交差感度、デバイス間ばらつきといった課題を抱える低コスト大気質センサー（LCS）のPM2.5、PM10、NO2の計測を対象にした深層学習による校正フレームワークを提案している。
LSTMモデルを、英国オックスフォードのOxAriaネットワークにおける同地点の参照データで学習し、時間的な依存関係と環境影響の遅れを明示的に捉える設計となっている。
各観測を独立に扱うRandom Forest（RF）ベースラインと比べて、系列ベースのアプローチは3つの汚染物質すべてで学習・検証・テストの各データセットにおいてR2が向上している。
時間遅れパラメータ、調和（ハーモニック）エンコーディング、相互作用項を組み合わせた特徴量により、未知の時間窓への一般化を高めている。
Equivalence Spreadsheet Tool 3.1での検証では規制要件への適合が示され、拡張不確かさはNO2が22.11%、PM10が12.42%、PM2.5が9.1%と報告されている。

要旨: 低コストの大気質センサー（LCS）は、高価な規制グレードの計測機器に対する実用的な代替手段を提供し、都市部の高密度なモニタリングネットワークを可能にします。しかし、その導入は、センサードリフト、環境の交差感度、さらにデバイス間での性能ばらつきといった校正上の課題によって制限されています。本研究では、Long Short-Term Memory（LSTM）ネットワークを用いて、OxAriaネットワーク（英国オックスフォード）で得られた同地点の参照データに基づき、PM $_{2.5}$ 、PM $_{10}$ 、およびNO $_2$ のLCS測定を校正するための深層学習フレームワークを提示します。各観測を独立に扱うRandom Forest（RF）ベースラインとは異なり、提案手法は系列ベースの学習によって時間的依存関係と遅延した環境影響を捉え、3つの汚染物質すべてについて訓練、検証、テストの各データセットでより高い $R^2$ 値を達成します。未見の時間窓に対する汎化を改善するために、時間遅れパラメータ、調和エンコーディング、相互作用項を組み合わせた特徴量セットを構築します。Equivalence Spreadsheet Tool 3.1に対して、未見の校正値を検証した結果、NO $_2$ で22.11%、PM $_{10}$ で12.42%、PM $_{2.5}$ で9.1%という拡張不確かさを伴い、規制への適合が示されました。