An air quality, meteorological and traffic spatio-temporal annotated data set

技術要約：METRAQ – 大気質、気象、および交通の時空間アノテーション付きデータセット

問題提起
都市の大気質は、大気汚染、気象条件、および交通活動の相互作用によって駆動される複雑な現象である。これらの領域には個別のデータセットが存在するものの、これら異種混合のソースを共通の解像度および位置に整合させた、統合された長期的な時空間データセットは不足している。既存のデータセットは、時間的カバー範囲の限定、交通データの欠如、あるいは粗い時間解像度（例：日次集計）といった課題を抱えていることが多く、都市の大気質評価、曝露分析、および時空間予測のための堅牢なモデルの開発を妨げている。

手法
著者らは、スペインのマドリード市議会のオープンデータを用いたExtract–Load–Transform（ELT）ワークフローによって構築されたキュレーション済みデータセット、METRAQを提示する。その手法は、主に以下の3つの段階で構成される：

1. データの抽出とロード：

   • ソース： 大気質データ（2001年以降、1時間単位）、気象データ（2019年以降、1時間単位）、および交通データ（2015年以降、15分間隔）をマドリード・オープンデータ・ポータルから抽出した。
   • 正規化： 元の「ワイド形式」のCSVファイル（1行に24時間のフィールドを含む）を、ステーション、マグニチュード、およびタイムスタンプによってインデックス付けされた、1行が単一の観測値を表す「ロング形式」へと変換した。
   • 妥当性の保持： 元の妥当性フラグを保持した。二次的な品質管理ステップとして、物理的な妥当性の境界（例：$T \ge -55^\circ C$, $AP \ge 700$ mb）を適用し、物理的に不可能な値を無効としてフラグ立てを行った。

2. データの補完と拡張：

   • 時間的補完： 大気質および気象の時系列における欠損した1時間ごとの値を特定した。ステーション・マグニチュード・年ごとの時系列において、有効なデータが50%以上存在する場合、欠損値は双方向線形補間を用いて補完された。
   • 空間的補完（気象）： 気象変数を大気質モニタリングステーション（AQMS）の場所に割り当てた。ステーションが共存している場合は値をコピーし、そうでない場合は、Ordinary Kriging（ステーション数が12以上の場合）、Inverse Distance Weighting（ステーション数が4以上の場合）、または最近傍補間を用いて値を推定した。
   • 交通データの拡張： 5,027個のセンサーからの交通データを1時間単位の解像度に集約し、AQMSの場所に空間補間した。3つの交通変数（強度、占有率、平均速度）に対して、5つの補間バリアント（Radial Basis FunctionsのMultiquadric、Gaussian、Linear、およびInverse Distance Weighting、Ordinary Kriging）を生成した。

3. データセットの組み立て：

   • 最終的なデータセットは、24個の年次CSVファイル（2001年–2024年）で構成され、64,881,744行に及ぶ。
   • これには、14の大気汚染物質、7つの気象パラメータ、および15の交通由来変数（3つの基本変数 $\times$ 5つの補間メソッド）を含む36のマグニチュードが含まれる。
   • フラグ（is_interpolated）により、観測値と生成された値を区別している。

主な貢献
本論文は、主に4つの貢献を主張している：

1. 長期的な統合： マドリードにおける大気質、気象、および交通を統合した統一データセットであり、時間的な交差部分は72ヶ月（2019年–2024年）であるが、大気質データは2001年まで遡る。
2. ステーション中心の構造： 14の汚染物質、7つの気象パラメータ、および5,000以上のセンサーから派生した交通変数を、特定のAQMSの場所に整合させた1時間単位の解像度を持つデータセット。
3. 時間的交差： 3つのデータソースすべてが重なる6年間（72ヶ月）の期間を含み、都市の大気質とモビリティの共同分析を容易にする。
4. 技術的検証： 著者らは、データセットの有用性と再現性を実証するために、多変量予測、時間的補完、および空間的補完のベースラインとなる技術的検証ワークフローを提供している。

結果および技術的検証
本論文は新しい予測モデルを提案するものではなく、ベースライン実験を通じてデータセットの有用性を検証している：

• 予測： センサー28079008と8つの汚染物質（2010年–2024年）を用い、iTransformer、TimeMixer、TimeXer、MLP、およびXGBoostを含むモデルを用いてテストした。結果（MSE/MAE）は、予測長96、192、336、および720時間について提供されている。
• 時間的補完： 同様のセットアップを用い、欠損率を12.5%から50%まで導入した。テストされた手法には、TimesNet、Transformer、線形補間、およびAutoformerが含まれる。TimesNetは、欠損率に関わらず他の手法よりも優れた性能を示した。
• 空間的補完： 2019年の$\text{NO}_2$データを用い、保持されたステーション（28079035）の値を他のステーションのデータを用いて推定した。Inverse Distance Weighting (IDW) が、RBFやKriging法と比較して最も低いMSE（0.147）を達成した。
• 分解： 論文には、日平均汚染物質シリーズのMSTL（Multiple Seasonal-Trend decomposition using LOESS）分析が含まれており、長期的なトレンドと週次・年次の季節性成分を明らかにしている。

意義
著者らは、METRAQを、高密度な都市環境における大気質、曝露評価、交通関連の汚染、および時空間モデリングの研究を支援するためのリソースとして位置づけている。異種混合の公開データソースを、共通の時間解像度およびステーション中心の構造へと調和させることで、本データセットは、「広範な」多都市データセットと、変数統合が限定的な「深い」単一都市データセットとの間のギャップを埋めることを目的としている。妥当性フラグと補間インジケータの包含により、研究者は観測データと派生データを区別することが可能であり、厳格な再現性をサポートしている。データセットはCC-BY 4.0ライセンスの下で公開されており、PyTorchへの統合のためのコードも付属している。