Тип публикации: доклад, тезисы доклада, статья из сборника материалов конференций

Конференция: Региональные проблемы дистанционного зондирования Земли; Красноярск; Красноярск

Год издания: 2025

Ключевые слова: time series, air pollution, seasonality, machine learning, forecasting, Krasnoyarsk, pm2.5, lstm, временные ряды, загрязнение атмосферы, сезонность, машинное обучение, прогнозирование, красноярск

Аннотация: В работе проведено сравнительное исследование эффективности различных моделей машинного обучения для прогнозирования концентрации PM_2.5 в г. Красноярске. Показано, что нейросетевая модель LSTM, обученная на данных с сезонным разделением, значительно превосходит по точности регрессионные, ARIMA/ARIMAX, ансамблевые и бустинговые модели, демонстрируя значения MAE ≤1,63 мкг/м³ и R² ≥ 0,80. Наилучшие результаты достигнуты при добавлении в признаки метеопараметров, что особенно актуально для города с неблагоприятными метеорологическими условиями. Разработанное решение предназначено для интеграции в систему экологического мониторинга. This study presents a comparative analysis of the effectiveness of various machine learning models for predicting PM_2.5 concentration in Krasnoyarsk. It is shown that an LSTM neural network model trained on seasonally partitioned data significantly outperforms regression, ARIMA/ARIMAX, ensemble, and boosting models in accuracy, demonstrating MAE values of ≤1,63 µg/m³ and R² ≥ 0,80. The best results were achieved by incorporating meteorological parameters as features, which is particularly relevant for a city with unfavorable meteorological conditions. The developed solution is intended for integration into an environmental monitoring system.

Журнал: Региональные проблемы дистанционного зондирования Земли

Номера страниц: 50-53

Место издания: Красноярск

• Володько О. С. (Институт вычислительного моделирования СО РАН)
• Лев Н. А. (Сибирский федеральный университет)
• Полянчикова Д. В. (Сибирский федеральный университет)

• РИНЦ (eLIBRARY.RU)