ГИБРИДНАЯ МОДЕЛЬ CNN-LSTM ДЛЯ ПРОГНОЗИРОВАНИЯ КАЧЕ-СТВА ВОЗДУХА И ОБНАРУЖЕНИЯ АНОМАЛИЙ С ПОМОЩЬЮ ГАУС-СОВОЙ АППРОКСИМАЦИИ

Аннотация

Загрязнение воздуха – глобальная проблема, влияющая на здоровье людей, устойчивость окружающей среды и планирование городских территорий. В данной работе рассматривается интеллектуальная система анализа данных мониторинга качества воздуха, использующая алгоритмы машинного обучения (LSTM и CNN) для прогнозирования и изучения концентрации загрязняющих веществ в атмосфере Усть-Каменогорска. Гауссова аппроксимация применяется для обнаружения выбросов, а метеорологические данные добавляются для поддержки точности прогноза. Смешанная модель LSTM-CNN прогнозирует концентрацию различных загрязняющих веществ, включая PM2.5, PM10, NO2, SO2, CO и O3. Точность прогнозирования модели средняя, ее среднеквадратичная ошибка (RMSE) 0,3297, средняя абсолютная ошибка (MAE) 0,2741, что указывает на неточность в предсказанных данных. Однако показатель R² -0,3210 свидетельствует о том, что модель нуждается в дальнейшей настройке для повышения точности прогноза. Идентификация выбросов проводилась с помощью анализа остатков, который обеспечил 1,0 отзыв, но низкую точность в 0,0676, что указывает на высокий процент ложных срабатываний. Несмотря на ограничения, модель способна прогнозировать качество воздуха в реальном времени и выявлять аномалии. Дальнейшие усовершенствования будут включать оптимизацию гиперпараметров, добавление новых источников данных и доработку метода обнаружения аномалий для повышения точности и надежности. Данная статья направлена на разработку интеллектуальных технологий мониторинга качества воздуха для поддержки экологического менеджмента и политики на основе данных.