Тема: Применение методов машинного обучения в прогнозировании качества воздуха

На сегодняшний день загрязнение воздуха является серьезной проблемой современных городов. Загрязнение воздуха влияет на здоровье человека. Прогнозирование качества воздуха является очень важной задачей во всем мире, в том числе и в России. Обычные подходы основаны на применении численных методов и требуют больших вычислительных мощностей. Проблема заключается в снижении затрачиваемых машинных ресурсов и повышении точности предсказаний.
Целью данной дипломной работы является реализация и тестирование моделей предсказания качества атмосферного воздуха города Москвы, использующих методы машинного обучения. Эти решения обладают высокой применимостью в экологических ведомствах и мэрии города.
Исходя из поставленной цели в работе выполняются следующие задачи:
1) сбор данных о загрязняющих веществах в атмосферном воздухе города
Москвы;
2) сбор дополнительных данных о погодных условиях;
3) обработка и анализ полученных данных;
4) построение моделей машинного обучения для предсказания концентраций загрязняющих веществ в атмосфере;
5) реализация моделей и подбор оптимальных параметров;
6) тестирование моделей на собранных данных.
Объектом диплома является процесс построения, реализации и оценки моделей предсказания качества атмосферного воздуха города Москвы.
Предметом работы являются модели предсказания качества атмосферного воздуха города Москвы.
Новизна исследования заключается в применении моделей с RBF-функциями, которые ранее не использовались для предсказаний загрязненности атмосферного воздуха города Москвы.
В работе используются реальные данные, предоставляемые лицензированными онлайн сервисами.
Обработка данных, предиктивные модели и их тестирование реализуются на скриптовом языке программирования Python.
Глоссарий
CRISP-DM (Cross-Industry Standard Process for Data Mining (англ.) — межотраслевой стандартный процесс для исследования данных) — это проверенная в промышленности и наиболее распространенная методология по исследованию данных.
ReLU — rectified linear unit.
Анализ данных — область математики и информатики, занимающаяся построением и исследованием наиболее общих математических методов и вычислительных алгоритмов извлечения знаний из экспериментальных данных.
АСКЗА — автоматическая станция контроля загрязнения атмосферы.
Искусственная нейронная сеть — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.
Коэффициент детерминации — это доля дисперсии зависимой переменной, объясняемая рассматриваемой моделью зависимости, то есть объясняющими переменными.
Линейная регрессия — метод восстановления зависимости между двумя переменными.
Машинное обучение — подраздел искусственного интеллекта, математическая дисциплина, использующая разделы математической статистики, численных методов оптимизации, теории вероятностей, дискретного анализа, для нахождения законов природы по наборам экспериментальных данных.
Многослойный персептрон — частный случай перцептрона Розен- блатта, в котором один алгоритм обратного распространения ошибки обучает все слои.
Множественная линейная регрессия — метод восстановления зависимости между несколькими независимыми переменными (называемыми также регрессорами или предикторами) и зависимой переменной.
Обучающая выборка — выборка, по которой производится оптимизация параметров предсказательной модели.
Однослойный персептрон — простейшая модель нейронной сети, предназначенная для классификации линейно-разделимых данных.
Среднеквадратическая ошибка — мера различий между значениями (выборкой и значениями популяции), предсказанными моделью или оценкой, и фактически наблюдаемыми значениями.
Тестовая выборка — выборка, по которой оценивается качество построенной предсказательной модели.
Купить

В рамках дипломной работы были собраны, проанализированы и обработаны данные о среднемесячных показателях загрязненности воздуха и погодных условий в Москве за 2016-2017 год. Также были построены модели машинного обучения, позволяющие осуществлять предсказания качества воздуха на территории города. Прогнозирование концентраций осуществлялось для трех веществ: NO, CO и NO2. В работе использовались стандартные подходы решения задач прогнозирования качества воздуха, такие как множественная линейная регрессия и многослойный персептрон. Помимо этого были реализованы новые предиктивные модели, использующие радиальнобазисные функции, которые показали значительно более точные результаты, чем классические модели. В итоге наилучшей моделью оказалась регрессия использующая погодные условия, данные о концентрациях за предыдущий месяц и RBF-функции по координатам.
Данная работа подтверждает эффективность использования радиальнобазисных функций при решении задач предсказания качества воздуха. Ограничениями в проведенном исследовании являлось количество известных данных. Получение данных о концентрациях веществ в атмосфере за более длительный период, а также погодных измерений в конкретных точках города Москвы позволит изучить более сложные взаимосвязи и построить более точные предиктивные модели.

Купить