Исследование методов прогнозирования временных рядовдля предсказания качества воздуха: объяснительный сравнительныйанализ

Standard

Исследование методов прогнозирования временных рядовдля предсказания качества воздуха: объяснительный сравнительныйанализ. / Ци, Дунфан ; Буре, Владимир Мансурович.

In: ВЕСТНИК САНКТ-ПЕТЕРБУРГСКОГО УНИВЕРСИТЕТА. ПРИКЛАДНАЯ МАТЕМАТИКА. ИНФОРМАТИКА. ПРОЦЕССЫ УПРАВЛЕНИЯ, Vol. 20, No. 2, 06.2024, p. 206–219.

Research output: Contribution to journal › Article › peer-review

BibTeX

@article{a7733de0055643b09b4f3515cf31faaf,

title = "Исследование методов прогнозирования временных рядовдля предсказания качества воздуха: объяснительный сравнительныйанализ",

abstract = "Анализируется эффективность моделей прогнозирования временных рядов для предсказания качества воздуха. Для этого используются наборы данных от сенсора PurpleAir Dual Laser Air Quality Sensor и платформы Kaggle Online. Полученные данные содержат достоверную информацию, необходимую для охраны окружающей среды. В ходе исследования основное внимание уделяется определению подходящих моделей прогнозирования для анализа окружающей среды, включая популярные структуры алгоритмов, такие как нейронные сети и ансамблевые модели. Также применяется методобъяснительного искусственного интеллекта, который обеспечивает объяснения для моделей с высокой производительностью и повышает их доверие и прозрачность. Производительность моделей оценивалась с помощью метрик, средней абсолютной ошибки,квадратного корня из средней квадратичной ошибки и R-квадратa. Результаты показывают, что нейронные сети и ансамблевые модели эффективны для прогнозированиявременных рядов качества воздуха. Это исследование вносит вклад в развитие моделейпрогнозирования временных рядов и предоставляет полезные рекомендации для будущих исследований в области прогнозирования качества воздуха.",

keywords = "air quality, time series forecasting, neural networks, ensemble models, explainable artificial intellect.",

author = "Дунфан Ци and Буре, {Владимир Мансурович}",

year = "2024",

month = jun,

doi = "10.21638/spbu10.2024.206",

language = "русский",

volume = "20",

pages = " 206–219",

journal = " ВЕСТНИК САНКТ-ПЕТЕРБУРГСКОГО УНИВЕРСИТЕТА. ПРИКЛАДНАЯ МАТЕМАТИКА. ИНФОРМАТИКА. ПРОЦЕССЫ УПРАВЛЕНИЯ",

issn = "1811-9905",

publisher = "Издательство Санкт-Петербургского университета",

number = "2",

}

RIS

TY - JOUR

T1 - Исследование методов прогнозирования временных рядовдля предсказания качества воздуха: объяснительный сравнительныйанализ

AU - Ци, Дунфан

AU - Буре, Владимир Мансурович

PY - 2024/6

Y1 - 2024/6

N2 - Анализируется эффективность моделей прогнозирования временных рядов для предсказания качества воздуха. Для этого используются наборы данных от сенсора PurpleAir Dual Laser Air Quality Sensor и платформы Kaggle Online. Полученные данные содержат достоверную информацию, необходимую для охраны окружающей среды. В ходе исследования основное внимание уделяется определению подходящих моделей прогнозирования для анализа окружающей среды, включая популярные структуры алгоритмов, такие как нейронные сети и ансамблевые модели. Также применяется методобъяснительного искусственного интеллекта, который обеспечивает объяснения для моделей с высокой производительностью и повышает их доверие и прозрачность. Производительность моделей оценивалась с помощью метрик, средней абсолютной ошибки,квадратного корня из средней квадратичной ошибки и R-квадратa. Результаты показывают, что нейронные сети и ансамблевые модели эффективны для прогнозированиявременных рядов качества воздуха. Это исследование вносит вклад в развитие моделейпрогнозирования временных рядов и предоставляет полезные рекомендации для будущих исследований в области прогнозирования качества воздуха.

AB - Анализируется эффективность моделей прогнозирования временных рядов для предсказания качества воздуха. Для этого используются наборы данных от сенсора PurpleAir Dual Laser Air Quality Sensor и платформы Kaggle Online. Полученные данные содержат достоверную информацию, необходимую для охраны окружающей среды. В ходе исследования основное внимание уделяется определению подходящих моделей прогнозирования для анализа окружающей среды, включая популярные структуры алгоритмов, такие как нейронные сети и ансамблевые модели. Также применяется методобъяснительного искусственного интеллекта, который обеспечивает объяснения для моделей с высокой производительностью и повышает их доверие и прозрачность. Производительность моделей оценивалась с помощью метрик, средней абсолютной ошибки,квадратного корня из средней квадратичной ошибки и R-квадратa. Результаты показывают, что нейронные сети и ансамблевые модели эффективны для прогнозированиявременных рядов качества воздуха. Это исследование вносит вклад в развитие моделейпрогнозирования временных рядов и предоставляет полезные рекомендации для будущих исследований в области прогнозирования качества воздуха.

KW - air quality, time series forecasting, neural networks, ensemble models, explainable artificial intellect.

UR - https://www.mathnet.ru/php/archive.phtml?wshow=paper&jrnid=vspui&paperid=619&option_lang=eng

UR - https://applmathjournal.spbu.ru/article/view/17759/11997

UR - https://www.mendeley.com/catalogue/1e3da9e6-5952-3472-a0df-fbe5687678a1/

U2 - 10.21638/spbu10.2024.206

DO - 10.21638/spbu10.2024.206

M3 - статья

VL - 20

SP - 206

EP - 219

JO - ВЕСТНИК САНКТ-ПЕТЕРБУРГСКОГО УНИВЕРСИТЕТА. ПРИКЛАДНАЯ МАТЕМАТИКА. ИНФОРМАТИКА. ПРОЦЕССЫ УПРАВЛЕНИЯ

JF - ВЕСТНИК САНКТ-ПЕТЕРБУРГСКОГО УНИВЕРСИТЕТА. ПРИКЛАДНАЯ МАТЕМАТИКА. ИНФОРМАТИКА. ПРОЦЕССЫ УПРАВЛЕНИЯ

SN - 1811-9905

IS - 2

ER -

ID: 122156517