Development of the method of forecasting the atmospheric air pollution parameters based on error correction by neural-like structures of the model of successive geometric transformations

Oleksandra Mishchuk

doi:10.15587/2312-8372.2019.188743

Автор(и)

Oleksandra Mishchuk Національний університет «Львівська політехніка», вул. С. Бандери 12, м. Львів, Україна, 79013, Україна https://orcid.org/0000-0001-6823-985X

DOI:

https://doi.org/10.15587/2312-8372.2019.188743

Ключові слова:

атмосферне повітря, нейроподібна структура, головні компоненти, похибка прогнозування.

Анотація

У роботі описано важливість удосконалення існуючих та дослідження нових алгоритмів прогнозування параметрів забруднення навколишнього середовища для поліпшення якості моніторингу навколишнього середовища. Оскільки організація та управління виробництвом вимагають розробки нових підходів до проблеми контролю та управління промисловими джерелами викидів шкідливих речовин на основі нових інформаційних технологій. Одним із найбільш проблемних місць систем контролю та управління якістю повітря на виробництві є розробка пришвидшених перспективних алгоритмів прогнозування забруднення повітря. Дані алгоритми повинні враховувати ситуативні зміни в розподілі даних та не вимагати перенавчання засобів прогнозування параметрів забруднення атмосферного повітря. З появою нейроподібних структур виникла потреба у їх дослідженні, в тому числі для задачі прогнозування параметрів забруднення атмосферного повітря. Об’єктом досліджень є нейроподібні структури моделі послідовних геометричних перетворень. Запропоновано метод прогнозування параметрів забруднення атмосферного повітря на основі корекції похибки за допомогою комітету нейронних структур різних типів. В ході дослідження проаналізовано три методи прогнозування параметрів забруднення атмосферного повітря: узагальнену регресійну нейронну мережу, радіально-базивну функцію та нейроподібну структуру моделі послідовних геометричних перетворень. Виконано комбінування згаданих методів та порівняно результати виконання трьох методів. Експериментально визначено, що прогнозування параметрів забруднення атмосферного повітря на основі корекції похибки за допомогою комітету нейроподібних структур моделі послідовних геометричних перетворень функції забезпечує зменшення похибки прогнозування. Зменшення на 7 % загальної регресійної нейронної мережі та на 2,6 % відносно радіально-базичної мережі з розширенням загальною регресійною нейронною мережею. Отримані результати забезпечують підвищення надійності та швидкості прогнозування параметрів атмосферного повітря для підвищення якості моніторингу викидів шкідливих домішків на виробництві та для прийняття управлінських рішень щодо природоохоронних дій.

Біографія автора

Oleksandra Mishchuk, Національний університет «Львівська політехніка», вул. С. Бандери 12, м. Львів, Україна, 79013

Аспірант

Кафедра інформаційних технологій видавничої справи

Посилання

Chaudhry, V. (2013). Arduair: Air Quality Monitoring. International Journal of Environmental Engineering and Management, 4 (6), 639–646.
Pope, C. A., Burnett, R. T., Thurston, G. D., Thun, M. J., Calle, E. E., Krewski, D., Godleski, J. J. (2004). Cardiovascular Mortality and Long-Term Exposure to Particulate Air Pollution. Circulation, 109 (1), 71–77. doi: http://doi.org/10.1161/01.cir.0000108927.80044.7f
Snyder, E. G., Watkins, T. H., Solomon, P. A., Thoma, E. D., Williams, R. W., Hagler, G. S. W. et. al. (2013). The Changing Paradigm of Air Pollution Monitoring. Environmental Science & Technology, 47 (20), 11369–11377. doi: http://doi.org/10.1021/es4022602
Caubel, J. J., Cados, T. E., Preble, C. V., Kirchstetter, T. W. (2019). A Distributed Network of 100 Black Carbon Sensors for 100 Days of Air Quality Monitoring in West Oakland, California. Environmental Science & Technology, 53 (13), 7564–7573. doi: http://doi.org/10.1021/acs.est.9b00282
Xu, X., Ren, W. (2019). Prediction of Air Pollution Concentration Based on mRMR and Echo State Network. Applied Sciences, 9 (9), 1811. doi: http://doi.org/10.3390/app9091811
Rybarczyk, Y., Zalakeviciute, R. (2018). Machine Learning Approaches for Outdoor Air Quality Modelling: A Systematic Review. Applied Sciences, 8 (12), 2570. doi: http://doi.org/10.3390/app8122570
Darbre, P. (2018). Overview of air pollution and endocrine disorders. International Journal of General Medicine, 11, 191–207. doi: http://doi.org/10.2147/ijgm.s102230
Gómez-Losada, Á., Pires, J. C. M., Pino-Mejías, R. (2016). Characterization of background air pollution exposure in urban environments using a metric based on Hidden Markov Models. Atmospheric Environment, 127, 255–261. doi: http://doi.org/10.1016/j.atmosenv.2015.12.046
Satish, U., Mendell, M. J., Shekhar, K., Hotchi, T., Sullivan, D., Streufert, S., Fisk, W. J. (2012). Is CO2an Indoor Pollutant? Direct Effects of Low-to-Moderate CO2Concentrations on Human Decision-Making Performance. Environmental Health Perspectives, 120 (12), 1671–1677. doi: http://doi.org/10.1289/ehp.1104789
Bai, Y., Li, Y., Wang, X., Xie, J., Li, C. (2016). Air pollutants concentrations forecasting using back propagation neural network based on wavelet decomposition with meteorological conditions. Atmospheric Pollution Research, 7 (3), 557–566. doi: http://doi.org/10.1016/j.apr.2016.01.004
Weizhong, Y. (2012). Toward Automatic Time-Series Forecasting Using Neural Networks. IEEE Transactions on Neural Networks and Learning Systems, 23 (7), 1028–1039. doi: http://doi.org/10.1109/tnnls.2012.2198074
Gokhale, S., Khare, M. (2005). A hybrid model for predicting carbon monoxide from vehicular exhausts in urban environments. Atmospheric Environment, 39 (22), 4025–4040. doi: http://doi.org/10.1016/j.atmosenv.2005.04.010
Schornobay-Lui, E., Alexandrina, E. C., Aguiar, M. L., Hanisch, W. S., Corrêa, E. M., Corrêa, N. A. (2019). Prediction of short and medium term PM10 concentration using artificial neural networks. Management of Environmental Quality: An International Journal, 30 (2), 414–436. doi: http://doi.org/10.1108/meq-03-2018-0055
Rahman, N. H. A., Lee, M. H., Suhartono, Latif, M. T. (2014). Artificial neural networks and fuzzy time series forecasting: an application to air quality. Quality & Quantity, 49 (6), 2633–2647. doi: http://doi.org/10.1007/s11135-014-0132-6
Papanastasiou, D. K., Melas, D., Kioutsioukis, I. (2007). Development and Assessment of Neural Network and Multiple Regression Models in Order to Predict PM10 Levels in a Medium-sized Mediterranean City. Water, Air, and Soil Pollution, 182 (1-4), 325–334. doi: http://doi.org/10.1007/s11270-007-9341-0
Chowdhury, D. R., Sen, D. (2017). Artificial Neural Network Based Trend Analysis and Forecasting Model for Course Selection. Iternational journal of computer sciences and engineering, 5, 20–26.
Caselli, M., Trizio, L., de Gennaro, G., Ielpo, P. (2008). A Simple Feedforward Neural Network for the PM10 Forecasting: Comparison with a Radial Basis Function Network and a Multivariate Linear Regression Model. Water, Air, and Soil Pollution, 201 (1-4), 365–377. doi: http://doi.org/10.1007/s11270-008-9950-2
Tkachenko, R., Izonin, I. (2018). Model and Principles for the Implementation of Neural-Like Structures Based on Geometric Data Transformations. Advances in Computer Science for Engineering and Education. Cham: Springer, 578–587. doi: http://doi.org/10.1007/978-3-319-91008-6_58
Izonin, I., Tkachenko, R., Kryvinska, N., Tkachenko, P., Greguš ml., M. (2019). Multiple Linear Regression Based on Coefficients Identification Using Non-iterative SGTM Neural-like Structure. Lecture Notes in Computer Science. Cham: Springer, 467–479. doi: http://doi.org/10.1007/978-3-030-20521-8_39
Mishchuk, O., Tkachenko, R., Izonin, I. (2019). Missing Data Imputation Through SGTM Neural-Like Structure for Environmental Monitoring Tasks. Advances in Intelligent Systems and Computing, 142–151. doi: http://doi.org/10.1007/978-3-030-16621-2_13
Sposterezhennia za zabrudnenniam atmosfernoho povitria v m. Kyievi. Available at: http://cgo-sreznevskyi.kiev.ua/index.php?fn=lsza&f=lsza