№79-24
Методи прогнозування забруднення атмосферного повітря на основі машинного навчання
П.К. Ломазов1, А.В. Павличенко1, Ю.В. Бучавий1
1 Національний технічний університет «Дніпровська політехніка», Дніпро, Україна
Coll.res.pap.nat.min.univ. 2024, 79:278–291
Full text (PDF)
https://doi.org/10.33271/crpnmu/79.278
АНОТАЦІЯ
Мета. Дослідити сучасні методи прогнозування забруднення атмосферного повітря з використанням алгоритмів машинного навчання.
Методика досліджень. Метод моделювання використовувався для розробки алгоритмів прогнозування, які враховують часові та просторові характеристики даних. Для уточнення залежностей між змінними було застосовано метод конкретизації. Також використовувалися методи статистичного узагальнення, що забезпечило очищення даних від шумів і заповнення пропущених значень, а також виявлення трендів і аномалій. Також, у роботі розглядаються алгоритми Random Forest, LSTM, GBM, SVM та MLP, їхні переваги, недоліки та потенціал застосування у задачах екологічного моніторингу.
Результати досліджень. Проведено кореляційний аналіз концентрацій забруднювальних речовин та метеорологічних параметрів зі станції спостереження у м. Дніпро. Обґрунтовано доцільність застосування методів машинного навчання для аналізу і прогнозування часових рядів концентрацій забруднювальних речовин. Підтверджено, що використання алгоритмів машинного навчання дозволяє досягти високої точності прогнозів завдяки обробці великого обсягу даних і врахуванню складних взаємозв’язків між джерелами забруднення та метеорологічними умовами. Алгоритми Random Forest і GBM продемонстрували ефективність у роботі з даними, що характеризуються статичними залежностями, тоді як LSTM виявився оптимальним для моделювання часових рядів.
Наукова новизна. Встановлено закономірності впливу параметрів атмосфери на точність прогнозування забруднення алгоритмами машинного навчання. Виявлено, що моделі Random Forest, LSTM, GBM тощо мають різну чутливість до обсягу й якості даних. Ці залежності сприяють покращенню методології прогнозування, забезпечуючи вищу точність і адаптацію до змінних умов.
Практичне значення. Можливість використання розроблених моделей для міського управління та екологічного моніторингу. Зокрема, моделі можуть бути інтегровані у системи раннього попередження громадян про ризики забруднення, оптимізацію транспортних потоків, а також у мобільні додатки та веб-платформи для надання інформації про стан повітря в режимі реального часу.
Ключові слова: машинне навчання, Random Forest, LSTM, метеорологічні фактори, прогнозування, IoT-технології, моніторинг.
Перелік посилань
1. Міщук, О.С. (2019). Підвищення точності прогнозування параметрів забруднення повітря. У Комп’ютерне моделювання та оптимізація складних систем (КМОСС2019): матеріали V-ї міжнародної науково-технічної конференції, 129–130.
2. Вишневський, А.В., & Потапова, Н.А. (2024). Методи аналізу даних в інформаційній системі прогнозування показників забруднення повітря. Прикладні аспекти сучасних міждисциплінарних досліджень, 156–157.
3. Ameer, S., Shah, M. A., Khan, A., Song, H., Maple, C., Islam, S. U., & Asghar, M. N. (2019). Comparative Analysis of Machine Learning Techniques for Predicting Air Quality in Smart Cities. IEEE Access, 7, 128325–128338. https://doi.org/10.1109/access.2019.2925082
4. Запорожець, А. О. (2017). Аналіз засобів моніторингу забруднення повітря навколишнього середовища. Science-Based Technologies, 35(3), 242–252.
5. Renugadevi, R., Vyshnavi, T., Prasanna, T. R., & Lahari, P. S. (2023). Air quality prediction using random forest algorithm. International Conference on Research Methodologies in Knowledge Management, Artificial Intelligence and Telecommunication Engineering (RMKMATE), 1–6. https://doi.org/10.1109/RMKMATE59243.2023.10369180
6. Xayasouk, T., Lee, H., & Lee, G. (2020). Air pollution prediction using long short-term memory (LSTM) and deep autoencoder (DAE) models. Sustainability, 12(6), 2570. https://doi.org/10.3390/su12062570
7. Su, Y. (2020). Prediction of air quality based on gradient boosting machine method. International Conference on Big Data and Informatization Education (ICBDIE), Zhangjiajie, China, 395–397. https://doi.org/10.1109/ICBDIE50010.2020.00099
8. Widyarini, L., & Purnomo, H. (2024). Air quality prediction using the support vector machine algorithm. Journal of Information Systems and Informatics, 6(2), 652–661. https://doi.org/10.51519/journalisi.v6i2.705
9. Surya, R., Jeevananthan, P., Muniyappan, A., Prakash, P. K. B., & Saveeth, P. (2024). Air Quality Monitoring and Prediction for Industries. 2024 International Conference on Science Technology Engineering and Management (ICSTEM), 1–6. https://doi.org/10.1109/icstem61137.2024.10560996
10. Widyarini, L., & Purnomo, H. (2024). Air quality prediction using the support vector machine algorithm. Journal of Information Systems and Informatics, 6(2), 652–661. https://doi.org/10.51519/journalisi.v6i2.705
11. Осадчук, О., Осадчук, Я., & Довгун, В. (2024). Досягнення та виклики хмарних технологій моніторингу якості повітря. Measuring and Computing Devices in Technological Processes, (2), 18–25. https://doi.org/10.31891/2219-9365-2024-78-2
12. Freeman, B. S., Taylor, G., Gharabaghi, B. J., & Thé, J. (2018). Forecasting air quality time series using deep learning. Journal of the Air & Waste Management Association, 68(8), 866–886. https://doi.org/10.1080/10962247.2018.1459956
