Розробка моделі вибору стратегії зниження забруднення повітря на основі предиктивного аналізу даних
DOI:
https://doi.org/10.15587/1729-4061.2022.259323Ключові слова:
забруднення повітря, AQI, EDM, ESP, комбінована селективна модель прогнозування, задача виборуАнотація
Формалізовано модель вибору стратегії зниження забруднення повітря в умовах міського середовища. Модель передбачає визначення оптимального розміщення біотехнологічних систем – фільтрів або розумних пристроїв очищення повітря на основі розв’язання задачі дискретної оптимізації з врахуванням прогнозу індексу якості повітря. Формалізовано дві підзадачі, які дозволяють сформувати стратегію зниження забруднення повітря. Для розв’язання однієї з підзадач побудовано комбіновану селективну модель прогнозування часового ряду індексу якості повітря (CSM). Програмний набір комбінованої моделі складають гібридна модель EMD-ESM (Empirical Mode Decomposition-Exponential Smoothing Model), адитивна модель HWM (Holt-Winters Model), та адаптивна модель TLM (Trigg-Lich Model). Для верифікації запропонованої комбінованої селективної моделі було обрано часові ряди індексів якості повітря (AQI) для м. Нур-Султан (Astana Air Quality DataSet) (дані з 2010–2021 рр., період 6 годин). В результаті верифікації отримано, що у випадку короткострокового прогнозування часового ряду індексу якості повітря перевагу за критерієм мінімальної середньої квадратичної похибки (RMSE) має модель EMD-ESM, δ=0.11. Для випадку середньострокового прогнозування 3<τ≤5 перевагу має комбінована селективна модель (CSM). Отримані результати є вхідними даними для задачі вибору стратегій зниження обсягу забруднення повітря в умовах міського середовища. Результати дослідження дають можливість збільшити гнучкість формування стратегій зниження забруднення повітря, оскільки дозволяють уникнути обмежень щодо розміщення очисників в конкретних міських зонах. Наслідком цього є покращення екологічної ситуації в місті та розвитку регіону в цілому
Посилання
- Roser, M. (2021). Data Review: How many people die from air pollution? Our World In Data. Available at: https://ourworldindata.org/data-review-air-pollution-deaths
- CityTree: a Pollution Absorbing Innovation with the Power of 275 Trees (2018). Green City Solutions. Available at: https://urbannext.net/citytree/
- Ung, A., Wald, L., Ranchin, T., Weber, C., Hirsch, J., Perron, G., Kleinpeter, J. (2002). Satellite data for the air pollution mapping over a city –The use of virtual station. In Proceedings of the 21th EARSeL Symposium, Observing our environment from space: new solutions for a new millenium, Paris, 147–151. Available at: https://www.researchgate.net/publication/42433064_Satellite_data_for_the_air_pollution_mapping_over_a_city_-_The_use_of_virtual_stations
- Nyelele, C., Kroll, C. N. (2021). A multi-objective decision support framework to prioritize tree planting locations in urban areas. Landscape and Urban Planning, 214, 104172. doi: https://doi.org/10.1016/j.landurbplan.2021.104172
- Yoon, E. J., Kim, B., Lee, D. K. (2019). Multi-objective planning model for urban greening based on optimization algorithms. Urban Forestry & Urban Greening, 40, 183–194. doi: https://doi.org/10.1016/j.ufug.2019.01.004
- Kuchansky, A., Biloshchytskyi, A., Andrashko, Y., Biloshchytska, S., Shabala, Y., Myronov, O. (2018). Development of adaptive combined models for predicting time series based on similarity identification. Eastern-European Journal of Enterprise Technologies, 1 (4 (91)), 32–42. doi: https://doi.org/10.15587/1729-4061.2018.121620
- Heydari, A., Majidi Nezhad, M., Astiaso Garcia, D., Keynia, F., De Santoli, L. (2021). Air pollution forecasting application based on deep learning model and optimization algorithm. Clean Technologies and Environmental Policy, 24 (2), 607–621. doi: https://doi.org/10.1007/s10098-021-02080-5
- Huang, G., Li, X., Zhang, B., Ren, J. (2021). PM2.5 concentration forecasting at surface monitoring sites using GRU neural network based on empirical mode decomposition. Science of The Total Environment, 768, 144516. doi: https://doi.org/10.1016/j.scitotenv.2020.144516
- Huang, Y., Yu, J., Dai, X., Huang, Z., Li, Y. (2022). Air-Quality Prediction Based on the EMD–IPSO–LSTM Combination Model. Sustainability, 14 (9), 4889. doi: https://doi.org/10.3390/su14094889
- Duan, W., Huang, L. (2016). A hybrid EMD-AR model for nonlinear and non-stationary wave forecasting. Journal of Zhejiang University Science A, 17, 115–129. doi: https://doi.org/10.1631/jzus.a1500164
- He, K., Zha, R., Wu, J., Lai, K. (2016). Multivariate EMD-Based Modeling and Forecasting of Crude Oil Price. Sustainability, 8 (4), 387. doi: https://doi.org/10.3390/su8040387
- Wu, L., Gao, X., Xiao, Y., Liu, S., Yang, Y. (2017). Using grey Holt–Winters model to predict the air quality index for cities in China. Natural Hazards, 88 (2), 1003–1012. doi: https://doi.org/10.1007/s11069-017-2901-8
- Kuchansky, A., Biloshchytskyi, A. (2015). Selective pattern matching method for time-series forecasting. Eastern-European Journal of Enterprise Technologies, 6 (4 (78)), 13. doi: https://doi.org/10.15587/1729-4061.2015.54812
- Mulesa, O., Geche, F., Batyuk, A., Buchok, V. (2017). Development of Combined Information Technology for Time Series Prediction. Advances in Intelligent Systems and Computing, 361–373. doi: https://doi.org/10.1007/978-3-319-70581-1_26
- Gelfand, A. E., Diggle, P., Guttorp, P., Fuentes, M. (Eds.) (2010). Handbook of Spatial Statistics. CRC Press, 619. doi: https://doi.org/10.1201/9781420072884
- Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, H. H., Zheng, Q. et. al. (1998). The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis. Proceedings of the Royal Society of London. Series A: Mathematical, Physical and Engineering Sciences, 454 (1971), 903–995. doi: https://doi.org/10.1098/rspa.1998.0193
- Rilling, G., Flandrin, P., Gonçalves, P. (2003). On empirical mode decomposition and its algorithms. Proceedings of IEEE-EURASIP Workshop on Nonlinear Signal and Image Processing. NSIP-03. 3.
- Kuchansky, A., Biloshchytskyi, A., Andrashko, Y., Vatskel, V., Biloshchytska, S., Danchenko, O., Vatskel, I. (2018). Combined Models for Forecasting the Air Pollution Level in Infocommunication Systems for the Environment State Monitoring. 2018 IEEE 4th International Symposium on Wireless Systems Within the International Conferences on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS-SWS). doi: https://doi.org/10.1109/idaacs-sws.2018.8525608
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2022 Andrii Biloshchytskyi, Alexander Kuchansky, Yurii Andrashko, Alexandr Neftissov, Vladimir Vatskel, Didar Yedilkhan, Myroslava Herych
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
