HighAir: 계층적 그래프 신경망 기반의 대기질 예측 방법

공기 질을 정확히 예측하는 것은 폐 및 심장 질환으로부터 일반 대중을 보호하는 데 필수적이다. 그러나 다양한 오염원 간의 복잡한 상호작용과 다양한 영향 요인들로 인해 이는 매우 도전적인 과제이다. 기존의 공기 질 예측 방법들은 도시 간 및 측정소 간 대기 오염물질의 확산 과정을 효과적으로 모델링하지 못하여, 지역의 공기 질이 갑작스럽게 악화될 수 있다. 본 논문에서는 계층적 그래프 신경망 기반의 공기 질 예측 방법인 HighAir를 제안한다. 이 방법은 인코더-디코더 아키텍처를 채택하며, 기상 조건과 토지 이용과 같은 복잡한 공기 질 영향 요인을 고려한다. 구체적으로, 계층적 관점에서 도시 수준의 그래프와 측정소 수준의 그래프를 구성함으로써 각각 도시 수준 및 측정소 수준의 패턴을 반영할 수 있다. 상위 레벨에서의 정보 전달(upper delivery)과 하위 레벨에서의 정보 업데이트(lower updating)라는 두 가지 전략을 설계하여 레벨 간 상호작용을 구현하고, 메시지 전달 메커니즘(message passing mechanism)을 도입하여 레벨 내 상호작용을 모델링한다. 또한 바람 방향에 기반하여 간선 가중치를 동적으로 조정함으로써 동적 요인과 공기 질 간의 상관관계를 효과적으로 모델링한다. 우리는 양자강 삼각주 지역(61,500km² 내 10개 주요 도시 포함)의 데이터셋을 대상으로 HighAir를 최신 기술 수준의 공기 질 예측 방법들과 비교하였다. 실험 결과, HighAir가 다른 방법들에 비해 상당히 우수한 성능을 보였다.