Hava kalitesi tahmininde derin öğrenme modellerinin karşılaştırmalı analizi

Abstract

Hava kalitesi tahmini, belirli kirleticilerin, gözlem birimlerindeki sensörler yardımı ile elde edilen verilerinin, gelişen derin öğrenme ve makine öğrenmesi gibi teknikler kullanılarak modellenmesidir. Tez çalışması ile, hava kalitesi indeksi ve ??10, ?02, ?3, ??, ??2 gibi hava kirletici verileri ile güncel derin öğrenme modellerinin tahminperformanslarının karşılaştırılması amaçlanmıştır. Bu amaç ile ANN, CNN, LSTM, ResNets ve Auto Regressive modeller ile karşılaştırmalı analiz yapılmıştır. Deneysel çalışmada, tek bir zaman adımı ve birden çok zaman adımı için tahminlerin yapıldığı iki yöntem uygulanmıştır. Her iki yöntemde de tüm öznitelikler ve AQI için tahminler yapılarak tüm sonuçlar için karşılaştırmalı analizler gerçekleştirilmiştir. Tek adımlı tahmin yönteminde model performanslarının mevsimsel trend üzerindeki davranışları analiz edilmiştir. AQI'in tahmininde en iyi tahmin performansını veren model LSTM olmuştur. Tüm özniteliklerin tahmininde en iyi performansı CNN modeli göstermiştir. Çok adımlı tahmin yöntemi ile ise ileri dönem zaman serisinin tek seferde tahmini gerçekleştirilmiştir. Ayrıca, modelin yalnızca tek adımlı tahminler yaptığı, çıktısının girdi olarak geri beslendiği otoregresif model ile analiz yapılmıştır. Öznitelik olarak AQI'in tahmin edildiği tüm ileri dönem tahmin performansları karşılaştırıldığında LSTM en iyi tahmin performansı sergilemektedir. Tüm özniteliklerin tahmin edildiği ileri dönem tahminlerinde saat bazlı olarak en iyi performans CNN modeli ile elde edilmiştir.

Air quality prediction is the modeling of the data obtained with the help of sensors in the observation units of certain pollutants, using techniques such as advanced deep learning and machine learning. With the thesis study, it is aimed to compare the prediction performances of current deep learning models with air quality index and air pollutant datasuch as ??10, ?02, ?3, ?? and ??2. For this purpose, comparative analysis was performed with several different models, including convolutional and recurrent neural networks (CNNs and RNNs), LSTM, Residual nets and some autoregressive models. In this study, two methods were applied in which predictions were made for a single time step and for multiple time steps. In both methods, predictions were made for all features and AQI. In the one-step forecasting method, the behavior of the model performances on the seasonal trend was analyzed. The model that gave the best prediction performance in predicting AQI was LSTM. The CNN model showed the best performance in the prediction of all features. With the multi-step forecasting method, the future time series was predicted in one go. In addition, the analysis was made with the autoregressive model, in which the model made only onestep predictions and the output was fed back as input. When AQI is estimated as an attribute, LSTM shows the best forecast performance. The best performance has been obtained with the CNN model in the future predictions where all the features are predicted.