ارائه يك مدل تركيبي عميقِ پيش بيني آلودگي هوا چند متغيري مبتني بر داده‌هاي هواشناسي

Proposing a deep hybrid model of multivariate air pollution forecasting based on meteorological data

در سال‌هاي اخير، با توسعه سريع اقتصاد و صنعتي شدن اغلب كشورها، مشكل آلودگي محيط‌ زيست بسيار جدي شده و در اين ميان، آلودگي هوا به طور خاص قابل‌توجه است. پيشرفت همزمان اقتصاد و صنعت، يكي از اصلي‌ترين عوامل افزايش خطرناك آلودگي هواست كه با هدف پيش‌بيني كيفيت هوا و غلظت آلاينده‌ها، مطالعات زيادي انجام گرفته است. نتايج برخي از اين تحقيقات نشان مي‌دهد كه يادگيري تجمعي در مقايسه با روش‌هاي منفرد مي‌تواند عملكرد پيش‌بيني‌ را در بسياري از حوزه‌ها بهبود بخشد. از اين رو، در اين مقاله، يك مدل عميق تجمعي در يك معماري جهت‌دارِ غيرمدور، مبتني بر شبكه‌هاي عصبيِ بازگشتي، با سه واحد‌ پنهان LSTM، GRU و BiLSTM ارائه شده است؛ كه هدف آن پيش‌بيني وضعيت آلاينده ذرات معلق PM2.5 در بيست و چهار ساعت آينده است. مدل چند متغيره ي پيشنهاد شده، مبتني بر داده‌هاي هواشناسي و داده هاي آلودگي هوا ارائه شده است. نتايج تجربي در داده‌هاي هواشناسي پكن نشان مي‌دهد، اين مدل توانسته در پيش‌بيني بيست و چهار ساعت آينده، به طور ميانگين با واحد هاي پنهان LSTM و GRU به ترتيب به جذر ميانگين مربعات خطا 7.16 و 12.53 دست يابد.

In recent years, with the rapid economic development and industrialization of most countries, the problem of environmental pollution has become very serious and air pollution is particularly significant. Coincidence of economy and industry is one of the main factors of increasing dangerous air risk, which has been done many studies with the aim of predicting air quality and pollutant concentration. Some research results show that aggregated learning can improve prediction performance in many domains compared to individual methods. Therefore, in this paper, an aggregated deep model in a directed acyclic architecture based on recurrent neural networks with three hidden units LSTM, GRU and BiLSTM is presented; The purpose of which is to predict the pollutant status of Particulate Matter PM2.5 in the next 24 hours. The proposed multivariate model is based on meteorological data and air pollution data. The experimental results in Beijing meteorological data show that this model has been able to achieve 7.16 and 12.53 root mean square error respectively with LSTM and GRU hidden units in forecasting the next 24 hours