ЗГЛАДЖУВАННЯ НЕПОВНИХ РЯДІВ ДАНИХ СТАНЦІЙ ЕКОЛОГІЧНОГО МОНІТОРИНГУ З ВИКОРИСТАННЯМ ПРОГНОЗНИХ МОДЕЛЕЙ
Ключові слова:
екологічний моніторинг, ряд даних, динаміка ряду даних, пропуски даних, прогноз, прогнозні моделіАнотація
У статті розглядається проблема неповних рядів даних при аналізі даних станцій екологічного моніторингу, її вплив на достовірність отриманих результатів та прогностичну придатність вхідних даних, а також методи згладжування даних, що дозволяють мінімізувати негативний вплив пропусків даних. Відсутність даних в ряді може проявлятись на практиці як хибні нульові значення, які можуть призводити до суттєвих відхилень, а також як відсутні дані, що в деяких випадках приховують тенденції зміни динаміки ряду. При цьому, аналітик може не знати про присутність пустих або нульових значень, що, в результаті, призводить до хибних висновків або прогнозів. Методи згладжування за допомогою простої ковзної середньої та екстраполяції дозволяють підвищити якість вхідних даних, та, як результат, підвищити прогностичну якість отриманих прогнозних моделей. Використання локальних прогнозів для заповнення пропущених значень дозволяє отримати найбільш точні результати замість відсутніх даних, і, як результат, підвищити прогностичну якість розроблюваних прогнозних моделей. Точність результатів отриманих замість відсутніх даних перевіряється розрахунком основних статистичних показників ряду з пустими значеннями та повного ряду. Розрахунок параметрів моделей прогнозування для заповнення пустих інтервалів може здійснюватись на основі попередніх даних або тенденції всього ряду. Отримані в даному дослідженні результати можуть бути використані у подальшому для заповнення неповних рядів при аналізі даних станцій екологічного моніторингу або інших рядів даних, що використовуються для прогнозування або аналітичних розрахунків.
Посилання
1. Bogolyubov, V. M., & Golub, B. L. (2021). Information-analytical system for assessing the state of atmospheric air. In E. V. Khlobistova (Ed.), Sustainable development – 21st century. Discussions 2021 (p. 469). National University - Kyiv-Mohyla Academy. ISBN 978-617-7668-22-9.
2. Bogoliubov, V. M., et al. (2021). Optimization of the structure of atmospheric air monitoring system. International Forum on Climate Change and Sustainable Development. https://chmnu.edu.ua/wp-content/uploads/ABSTRACTS_PMBSNU_Forum_2021_09_09-11.pdf
3. Khan, S., Anjum, R., Raza, S. T., Ahmed Bazai, N., & Ihtisham, M. (2022). Technologies for municipal solid waste management: Current status, challenges, and future perspectives. Chemosphere, 288 (Part 1), Article 132403. https://doi.org/10.1016/j.chemosphere.2021.132403
4. Andeobu, L., Wibowo, S., & Grandhi, S. (2021). A systematic review of e-waste generation and environmental management of Asia Pacific countries. International Journal of Environmental Research and Public Health, 18(17), Article 9051. https://doi.org/10.3390/ijerph18179051
5. Ma, S., Zhou, C., Chi, C., Liu, Y., & Yang, G. (2020). Estimating physical composition of municipal solid waste in China by applying artificial neural network method. Environmental Science & Technology, 54(15), 9609–9617. https://doi.org/10.1021/acs.est.0c02588
6. Lin, K., Zhao, Y., Tian, L., Zhao, C., Zhang, M., & Zhou, T. (2021). Estimation of municipal solid waste amount based on one-dimension C N network and long short-term memory with attention mechanism model: A case study of Shanghai. Science of the Total Environment, 791, Article 148088. https://doi.org/10.1016/j.scitotenv.2021.148088
7. Sharma, M., Joshi, S., Kannan, D., Govindan, K., Singh, R., & Purohit, H. (2020). Internet of Things (IoT) adoption barriers of smart cities’ waste management: An Indian context. Journal of Cleaner Production, 270, Article 122047. https://doi.org/10.1016/j.jclepro.2020.122047
8. Jassim, M. S., Coskuner, G., & Zontul, M. (2022). Comparative performance analysis of support vector regression and artificial neural network for prediction of municipal solid waste generation. Waste Management & Research, 40(2), 195–204. https://doi.org/10.1177/0734242X21996803
9. Lin, K., Zhao, Y., Kuo, J.-H., Deng, H., Cui, F., Zhang, Z., Zhang, M., Zhao, C., Gao, X., Zhou, T., & et al. (2022). Toward smarter management and recovery of municipal solid waste: A critical review on deep learning approaches. Journal of Cleaner Production, 346, Article 130943. https://doi.org/10.1016/j.jclepro.2022.130943
10. Fasano, F., Addante, A. S., Valenzano, B., & Scannicchio, G. (2021). Variables influencing per capita production, separate collection, and costs of municipal solid waste in the Apulia region (Italy): An experience of deep learning. International Journal of Environmental Research and Public Health, 18(2), Article 752. https://doi.org/10.3390/ijerph18020752
11. Hussain, A., Draz, U., Ali, T., Tariq, S., Irfan, M., Glowacz, A., Antonino Daviu, J. A., Yasin, S., & Rahman, S. (2020). Waste management and prediction of air pollutants using IoT and machine learning approach. Energies, 13(15), Article 3930. https://doi.org/10.3390/en13153930
12. Ihsanullah, I., Alam, G., Jamal, A., & Shaik, F. (2022). Recent advances in applications of artificial intelligence in solid waste management: A review. Chemosphere, 309, Article 136631. https://doi.org/10.1016/j.chemosphere.2022.136631
13. Hettiarachchi, H., Meegoda, J. N., & Ryu, S. (2018). Organic waste buyback as a viable method to enhance sustainable municipal solid waste management in developing countries. International Journal of Environmental Research and Public Health, 15(11), Article 2483. https://doi.org/10.3390/ijerph15112483
14. Rahman, M. W., Islam, R., Hasan, A., Bithi, N. I., Hasan, M. M., & Rahman, M. M. (2022). Intelligent waste management system using deep learning with IoT. Journal of King Saud University - Computer and Information Sciences, 34(5), 2072–2087. https://doi.org/10.1016/j.jksuci.2022.03.012
15. Mookkaiah, S. S., Thangavelu, G., Hebbar, R., Haldar, N., & Singh, H. (2022). Design and development of smart Internet of Things–based solid waste management system using computer vision. Environmental Science and Pollution Research, 29, 64871–64885. https://doi.org/10.1007/s11356-022-20353-y
16. Nowakowski, P., & Pamuła, T. (2020). Application of deep learning object classifier to improve e-waste collection planning. Waste Management, 109, 1–9. https://doi.org/10.1016/j.wasman.2020.04.041
17. Niu, D., Wu, F., Dai, S., He, S., & Wu, B. (2021). Detection of long-term effect in forecasting municipal solid waste using a long short-term memory neural network. Journal of Cleaner Production, 290, Article 125187. https://doi.org/10.1016/j.jclepro.2020.125187
18. SaveEcoBot. Monitoring of the level of atmospheric air pollution in the city of Kyiv. https://www.saveecobot.com/maps/kyiv
19. Woodward, W. A., Gray, H. L., & Elliott, A. C. (2012). Applied time series analysis. CRC Press.
20. Needleman, S. B., & Wunsch, C. D. (1970). A general method applicable to the search for similarities in the amino acid sequence of two proteins. Journal of Molecular Biology, 48(3), 443–453. https://doi.org/10.1016/0022-2836(70)90057-4
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Інформаційні технології в економіці та природокористуванні
TЦя робота ліцензується відповідно до ліцензії Creative Commons Attribution-ShareAlike 4.0 International License.
