Розмір шрифта:
Використання машинного навчання для прогнозування якості атмосферного повітря міста Вінниці
Остання редакція: 2026-06-04
Анотація
Дану роботу присвячено розробці інтелектуальної системи прогнозування концентрації дрібнодисперсного пилу PM2.5 атмосферного повітря міста Вінниці з використанням ансамблевих методів машинного навчання. В рамках дослідження сформовано автоматизований ETL-пайплайн для збору та передобробки даних, здійснено розвідувальний аналіз часових рядів, побудовано та навчено ансамбль моделей градієнтного бустингу (LightGBM, XGBoost, CatBoost) із байєсівською оптимізацією гіперпараметрів. Найкраща модель LightGBM досягла коефіцієнта детермінації R² = 0.90 на горизонті t+1 та R² = 0.45 на горизонті t+24, що підтверджує ефективність запропонованого підходу.
Ключові слова
машинне навчання; градієнтний бустинг; передобробка даних; часові ряди; прогнозування якості повітря
Посилання
1. Шмундяк Д. О., Мокін В. Б., Крижановський Є. М. Системний аналіз стану атмосферного повітря регіону, з урахуванням впливу аномалій : монографія. Вінниця : ВНТУ, 2025. 169 с.
2. Ахмадіанфар І. та ін. Towards intelligent air quality forecasting using integrated machine learning framework with variational mode decomposition and catboost feature selection. Scientific Reports. 2026. DOI: 10.1038/s41598-025-33785-y.
3. Мокін В. Б., Дратований М. В. Наука про дані: машинне навчання та інтелектуальний аналіз даних. Навчальний посібник. Вінниця : ВНТУ, 2024. С. 89–128.
4. Джеймс Г., Віттен Д., Хасті Т., Тібшірані Р. Деревоподібні методи. An Introduction to Statistical Learning. Springer, Cham, 2023. P. 331–342. DOI: 10.1007/978-3-031-38747-0_8.
5. Сібінді Р., Мвангі Р. В., Вайтіту А. Г. A boosting ensemble learning based hybrid light gradient boosting machine and extreme gradient boosting model for predicting house prices. Engineering Reports. 2023. Vol. 5, Iss. 4. DOI: 10.1002/eng2.12599.
2. Ахмадіанфар І. та ін. Towards intelligent air quality forecasting using integrated machine learning framework with variational mode decomposition and catboost feature selection. Scientific Reports. 2026. DOI: 10.1038/s41598-025-33785-y.
3. Мокін В. Б., Дратований М. В. Наука про дані: машинне навчання та інтелектуальний аналіз даних. Навчальний посібник. Вінниця : ВНТУ, 2024. С. 89–128.
4. Джеймс Г., Віттен Д., Хасті Т., Тібшірані Р. Деревоподібні методи. An Introduction to Statistical Learning. Springer, Cham, 2023. P. 331–342. DOI: 10.1007/978-3-031-38747-0_8.
5. Сібінді Р., Мвангі Р. В., Вайтіту А. Г. A boosting ensemble learning based hybrid light gradient boosting machine and extreme gradient boosting model for predicting house prices. Engineering Reports. 2023. Vol. 5, Iss. 4. DOI: 10.1002/eng2.12599.
Повний текст:
PDF