В статье рассмотрена возможность использования искусственных нейронных сетей (НС) для прогнозирования степени загрязнения атмосферного воздуха в промышленном регионе. Разработана многослойная нейронная сеть, позволяющая спрогнозировать уровень загрязнения на основе данных о текущем качестве воздуха, текущих погодных условиях, прогнозе погоды, времени суток и дня недели. Прогноз составляется для каждого часа, для каждой станции, каждого загрязнителя. Горизонт прогнозирования составляет 6 часов. Определено, что максимальная точность достигается при использовании 30 нейронов на скрытом слое, что является оптимальным решением, дающим лучшую точность прогноза. Подтверждено, что создание одной универсальной нейронной сети, которая будет прогнозировать уровень загрязнений для любой станции региона, не дает точного прогноза, т. к. станции находятся в разных средах.
У статті розглянута можливість використання штучних нейронних мереж (НМ) для прогнозування ступеня забруднення атмосферного повітря в промисловому регіоні. Нейромережевий підхід є дуже популярним і досить ефективним в рішенні задач прогнозування. Нейронні мережі дозволяють моделювати лінійні залежності в разі великого числа змінних. Завдання прогнозування за допомогою НМ полягає в побудові оптимальної НМ на основі вихідних даних, її навчання за різними алгоритмами, донавчання (при необхідності) і побудові прогнозу. Для побудови якісної мережі досить кілька сотень або тисяч спостережень. Навчання мережі являє собою підгонку моделі, яка реалізується мережею, до наявних навчальних даних. Система, що розробляється, працює в режимі реального часу і в простій і наочній формі виробляє досить якісний прогноз рівня забруднення. Система має можливість охоплювати всі станції моніторингу промислового регіону, збирає і аналізує дані не менш ніж з 100 станцій моніторингу (про забруднення щогодини, про погоду – кожні 15 хвилин). Система працює 24 години на добу. Розроблена багатошарова нейронна мережа, що дозволяє спрогнозувати рівень забруднення на основі даних про поточну якість повітря, поточні погодні умови, прогноз погоди, часу доби і дня тижня, оскільки якість повітря залежить від цих характеристик. Прогноз складається для кожної години, для кожної станції, кожного забруднювача. Горизонт прогнозування становить 6 годин (це стандарт). Протестована точність прогнозу за допомогою нейронної мережі з різною кількістю шарів.Отримано залежності точності прогнозу забруднення повітря від кількості шарівнейронної мережі, звідки видно, що максимальна точність прогнозу досягається звикористанням двох зовнішніх і одного прихованого шарів нейронної мережі. Було визначено, що максимальна точність досягається при використанні 30 нейронів на прихованому шарі, що є оптимальним рішенням, що дає кращу точність прогнозу. Підтверджено, що створення однієї універсальної нейронної мережі, яка буде прогнозувати рівень забруднень для будь-якої станції регіону, не дає точного прогнозу,тому що станції знаходяться в різних середовищах.
The article considers the possibility of using artificial neural networks topredict the degree of atmospheric air pollution in the industrial region. The neural network approach is very popular and quite effective in solving forecasting problems. Neuralnetworks make it possible to model linear dependencies in the case of a large number of variables. The task of forecasting with the help of NN consists in constructing an optimal NN based on the initial data, teaching it various algorithms, pre-training (if necessary),and making a forecast. To build a high-quality network, several hundred or thousands of observations are sufficient. Network training is a fitting of the model, which is implemented by the network, to the available training data. The developed system works in real time and in a simple and clear form produces quite a high-quality forecast of the pollution level. The system is able to cover all monitoring stations in the industrial region, collecting and analyzing data from at least 100 monitoring stations (as to pollutionevery hour, as to the weather – every 15 minutes). The system works 24 hours a day. A multilayer neural network has been developed that allows to predict the level of pollution based on data on the current air quality, current weather conditions, weather forecast, time of day and day of the week, since air quality depends on these characteristics. The forecast is made for each hour, for each station, each pollutant. The forecasting horizon is 6 hours (this is the standard). The accuracy of the prediction for a neural network with a different number of layers was tested. Dependences of the air pollution forecast accuracy on the number of layers of the neural network have been obtained, which show that the maximum accuracy of the forecast is achieved with the use of two external layers and one hidden layer of the neural network. It was determined that the maximum accuracy is optimal solution that ensures a better prediction accuracy. It was confirmed that the creation of one universal neural network, which will predict the level of pollution for any station in the region, does not give an accurate forecast, because stations are in different environments.
