РЕЗУЛЬТАТЫ МОДЕЛИРОВАНИЯ СРЕДНЕСРОЧНОГО ПРОГНОЗА ИНДЕКСА КАЧЕСТВА ВОЗДУХА Г. БИШКЕК

Авторы

Н.М. Лыченко Институт машиноведения и автоматики Национальной академии наук Кыргызской Республики
Л.И. Великанова Институт машиноведения и автоматики Национальной академии наук Кыргызской Республики

Ключевые слова:

искусственная нейронная сеть FFBNN, обучающая выборка, индекс качества воздуха, метеофакторы, загрязняющий фактор, горизонт прогнозирования, ошибка прогнозирования.

Аннотация

Развита методология прогнозирования индекса качества воздуха AQI г. Бишкек на 24 часа вперед с учетом метеорологических факторов и загрязняющего фактора (количества тонн угля, ежедневно сжигаемого на городской ТЭЦ). Представлены результаты моделирования на базе ИНС прямого распространения сигнала с обратным распространением ошибки FFBNN для 3-х часовых сроков прогноза AQI летнего и зимнего периодов для горизонтов прогнозирования до 24 часов. Показано, что точность прогнозирования на 24 часа вперед в среднем по всем срокам прогноза по сравнению с краткосрочным прогнозом (на 3 часа вперед) ухудшилась на 34% для летнего периода и 44% - для зимнего.

Библиографические ссылки

Air Quality Index (AQI) - A Guide to Air Quality and Your Health. US EPA. 9 December 2011.

Великанова, Л. И. Мультирегрессионные и обобщенно- регрессионные нейросетевые модели краткосрочного прогноза загрязнения РМ2.5 в г. Бишкек с учетом метеорологических параметров / Л. И. Великанова, Н. М. Лыченко // Проблемы автоматики и управления. – 2019. – № 2(37). – С. 16-25. – DOI 10.5281/zenodo.3594777. – EDN MNNDYU.

Великанова, Л. И. Моделирование краткосрочного прогноза загрязненности воздуха твердыми частицами на основе искусственных нейронных сетей с учетом фактора загрязнения / Л. И. Великанова, Н. М. Лыченко // Проблемы автоматики и управления. – 2022. – № 3(45). – С. 110-118. – EDN TGNBLC.

Donald F.Specht A general regression neural network //IEEE Transactions on neural networks. — November 1991. — Vol. 2, № 6. 568–576. DOI:10.1109/72.97934

Widi Aribowo. Optimizing Feed Forward Backpropagation Neural Network Based on Teaching-Learning-Based Optimization Algorithm for Long-Term Electricity Forecasting // International Journal of Intelligent Engineering and Systems, Vol.15, No.1, 2022. DOI: 10.22266/ijies2022.0228.02

Верзунов, С. Н. Применение глубоких нейронных сетей для краткосрочного прогноза дальности видимости / С. Н. Верзунов // Проблемы автоматики и управления. – 2019. – № 1(36). – С. 118-130. – DOI 10.5281/zenodo.3253019. – EDN IFNJHG.

Karimian H, Li Q, Wu C, et al. Evaluation of different machine learning approaches to forecasting PM2. 5 mass concentrations // Aerosol and Air Quality Research.- 2019.- 19(6). –p. 1400-1410. DOI: 10.4209/aaqr.2018.12.0450

Tong W, Li L, Zhou X, et al. Deep learning PM2. 5 concentrations with bidirectional LSTM RNN // Air Quality, Atmosphere & Health.- 2019. - 12(4). –p. 411-423. DOI: 10.1007/s11869-018- 303 0647-4.

AirNow Depatment of State // https://airnow.gov/index.cfm?action=airnow.global _summary #U.S._Department_of_State $Bishkek (дата обращения: 05.10.2022)

Cайт «Расписание погоды rp5.ru» Архив погоды в Бишкеке https://rp5.ru/%D0%90%D1%80%D1%85%D0%B8%D0%B2_%D0%BF%D0%BE%D0%B3%D0%BE%D0%B4%D1%8B_%D0%B2_%D0%91%D0%B8%D1%88%D0%BA%D0%B5%D0%BA%D0%B5 (дата обращения: 05.10.2022)

Современное прогнозирование. URL: https://forecasting.svetunkov.ru/etextbook/ (дата обращения: 30.09.2022)