Розробка трендової прогнозної моделі для моніторингу забруднення навколишнього середовища
DOI:
https://doi.org/10.32347/2412-9933.2024.57.62-66Ключові слова:
модель прогнозування, моніторинг параметрів забруднення, передпрогнозний аналіз, управління проектами, інформаційний менеджмент, критична інфраструктура, біомоніторингАнотація
Описано комплексну модель прогнозування часових рядів показників забруднення навколишнього середовища з врахуванням агрегації різних моделей прогнозування, що формуються на основі передпрогнозного статистичного аналізу показників забруднення і мають адаптивний характер. Модель відрізняється від відомих моделей забезпеченням можливістю адаптації параметрів моделі до змін у стані навколишнього середовища, що особливо важливо в умовах використання таких моделей в системах екомоніторингу. До складу комплексної моделі прогнозування включено моделі експоненціального згладжування вищого порядку, моделі Хольта, Вінтерса, плинної середньої, зваженої плинної середньої, авторегресійної моделі. Всі параметри, які задаються в цих моделях, пов’язані з показником Херста, який розраховується на основі передпрогнозного фрактального статистичного аналізу часового ряду. Наведено відповідні описання й обгрунтування. Вказано, що використання такої моделі в складі системи екомоніторингу допоможе ефективніше передбачати і реагувати на можливі зміни значень параметрів забруднення. Зокрема, персистентність часового ряду параметрів забруднення може означати стабільну тенденцію до зростання або спадання забруднення. Якщо ж часовий ряд стає близьким до випадкового або ергодичним, то це може означати надзвичайну ситуацію, або ж те, що в регіоні з’явилися додаткові непостійні викиди, які необхідно моніторити. Описано модель прогнозування э частиною системи моніторингу параметрів забруднення зовнішнього середовища. У майбутньому планується впровадити модель для прогнозування рівня забруднення в різних регіонах Китайської народної республіки.
Посилання
Government expenditure on environmental protection. (2019). Eurostat: Statistics Explained. Retrieved from https://ec.europa.eu/eurostat/statistics-explained/index.php/Government_expenditure_on_environmental_protection.
Kukkonen J., Partanen L., Karppinen A., Ruuskanen J., Junninen H., Kolehmainen M., & et al. (2003). Extensive evaluation of neural network models for the prediction of no 2 and pm 10 concentrations, compared with a deterministic modelling system and measurements in central helsinki. Atmos Environ, 37 (32), 4539–550. doi: 10.1016/S1352-2310(03)00583-1.
Niska H., Hiltunen T., Karppinen A., Ruuskanen J., Kolehmainen M. (2004). Evolving the neural network model for forecasting air pollution time series. Eng Appl Artif Intell; 17 (2), 159–67. doi: 10.1016/j.engappai.2004.02.002.
Kolehmainen M., Martikainen H., Ruuskanen J. (2001). Neural networks and periodic components used in air quality forecasting. Atmos Environ, 35 (5), 815–25. doi: 10.1016/S1352-2310(00)00385.
Beckerman B. S., Jerrett M., Martin R. V., van Donkelaar A., Ross Z., Burnett R. T. (2013). Application of the deletion/substitution/addition algorithm to selecting land use regression models for interpolating air pollution measurements in california. Atmospheric Environ, 77, 172–7. doi: 10.1016/j.atmosenv.2013.04.024.
Liu B. C., Binaykia A., Chang P. C., Tiwari M. K., Tsao, C. C. (2017). Urban air quality forecasting based on multidimensional collaborative support vector regression (svr): A case study of beijing-tianjin-shijiazhuang. PLOS ONE, 12(7), 1–17.
Bobb J. F., Valeri L., Henn B. C., Christiani D. C., Wright R. O., Mazumdar M., & et al. (2014). Bayesian kernel machine regression for estimating the health effects of multi-pollutant mixtures. Biostatistics, 16 (3), 058.
Gass K., Klein M., Chang H. H., Flanders W. D., Strickland M. J. (2014). Classification and regression trees for epidemiologic research: an air pollution example. Environ Health, 13 (1), 17. doi: 10.1186/1476-069X-13-17.
Vercellis C. (2009). Business intelligence: data mining and optimization for decision making. Cornwall: John Wiley & Sons Ltd. Publication, 417 p.
Kuchansky A., Biloshchytskyi A., Andrashko Yu., Vatskel V., Biloshchytska S., Danchenko O., & et al. (2018). Combined models for forecasting the air pollution level in infocommunication systems for the environment state monitoring. 2018 IEEE 4th International Symposium on Wireless Systems within the International Conferences on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS-SWS). Lviv, 125–130. DOI: 10.1109/IDAACS-SWS.2018.8525608.
Kuchansky A., Biloshchytskyi A., Andrashko Y., Biloshchytska S., Shabala Y., Myronov O. (2018). Development of adaptive combined models for predicting time series based on similarity identification. Eastern-European Journal of Enterprise Technologies, 1(4 (91), 32–42. https://doi.org/10.15587/1729-4061.2018.121620.
Yuanfang, He, (2019). Fomalization of the problem of evaluation of pollution of the environment. Management of development of complex systems, 38, 168 – 172, https://doi.org/10.6084/m9.figshare.9788702.
He, Y., Biloshchytskyi, A. O. (2019). Hardware of the information system for environmental pollution monitoring. Scientific Bulletin of Uzhhorod University. Series of Mathematics and Informatics, 2(35), 143–148. https://doi.org/10.24144/2616-7700.2019.2(35).143-148.
Peters E. E. (1994). Fractal market analysis: applying chaos theory to investment and economics. John Wiley & Sons Inc, 1994. – 336 p.
Anis A., Lloyd E. (1976). The expected value of the adjusted rescaled Hurst Range of independent normal summands. Biometrika. 63. 111–116.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Хе Юаньфанг
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.