Аннотації

Розробка трендової прогнозної моделі для моніторингу забруднення навколишнього середовища

Автор(и):
Хе Юаньфанг
Автор(и) (англ)
He Yuanfang
Дата публікації:

22.04.2024

Анотація (укр):

Описано комплексну модель прогнозування часових рядів показників забруднення навколишнього середовища з врахуванням агрегації різних моделей прогнозування, що формуються на основі передпрогнозного статистичного аналізу показників забруднення і мають адаптивний характер. Модель відрізняється від відомих моделей забезпеченням можливістю адаптації параметрів моделі до змін у стані навколишнього середовища, що особливо важливо в умовах використання таких моделей в системах екомоніторингу. До складу комплексної моделі прогнозування включено моделі експоненціального згладжування вищого порядку, моделі Хольта, Вінтерса, плинної середньої, зваженої плинної середньої, авторегресійної моделі. Всі параметри, які задаються в цих моделях, пов’язані з показником Херста, який розраховується на основі передпрогнозного фрактального статистичного аналізу часового ряду. Наведено відповідні описання й обгрунтування. Вказано, що використання такої моделі в складі системи екомоніторингу допоможе ефективніше передбачати і реагувати на можливі зміни значень параметрів забруднення. Зокрема, персистентність часового ряду параметрів забруднення може означати стабільну тенденцію до зростання або спадання забруднення. Якщо ж часовий ряд стає близьким до випадкового або ергодичним, то це може означати надзвичайну ситуацію, або ж те, що в регіоні з’явилися додаткові непостійні викиди, які необхідно моніторити. Описано модель прогнозування э частиною системи моніторингу параметрів забруднення зовнішнього середовища. У майбутньому планується впровадити модель для прогнозування рівня забруднення в різних регіонах Китайської народної республіки.

Анотація (рус):

Анотація (англ):

A complex model for forecasting time series of environmental pollution indicators is described, considering the aggregation of various forecasting models, which are formed based on predictive statistical analysis of pollution indicators and have an adaptive nature. The model differs from known models by providing the possibility of adapting the model parameters to changes in the state of the environment, which is especially important in the conditions of using such models in monitoring systems. The complex forecasting model includes higher-order exponential smoothing, Holt, Winters, moving average, weighted moving average, and autoregression models. All the parameters set in these models are related to the Hurst index, which is calculated based on predictive fractal statistical analysis of the time series. Relevant descriptions and justifications are given. Using such a model as part of the econometric system will help predict and respond more effectively to possible changes in the values of pollution parameters. In particular, the persistence of the time series of pollution parameters can mean a stable trend of increasing or decreasing pollution. Suppose the time series becomes close to random or ergodic. In that case, this may mean an emergency or additional erratic emissions in the region that must be monitored. The described model is a forecasting model that is part of the system for monitoring environmental pollution parameters. In the future, a model for forecasting the pollution level in different regions of the People's Republic of China will be implemented.

Література:

  1. Government expenditure on environmental protection. (2019). Eurostat: Statistics Explained. Retrieved from https://ec.europa.eu/eurostat/statistics-explained/index.php/Government_expenditure_on_environmental_protection.
  2. Kukkonen, J., Partanen, L., Karppinen, A., Ruuskanen, J., Junninen, H., Kolehmainen, M. & et al. (2003). Extensive evaluation of neural network models for the prediction of no 2 and pm 10 concentrations, compared with a deterministic modelling system and measurements in central helsinki. Atmos Environ, 37 (32), 4539–550. doi: 10.1016/S1352-2310(03)00583-1.
  3. Niska, H., Hiltunen, T., Karppinen, A., Ruuskanen, J., Kolehmainen, M. (2004). Evolving the neural network model for forecasting air pollution time series. Eng Appl Artif Intell; 17 (2), 159–67. doi: 10.1016/j.engappai.2004.02.002.
  4. Kolehmainen, M., Martikainen, H., Ruuskanen, J. (2001). Neural networks and periodic components used in air quality forecasting. Atmos Environ, 35 (5), 815–25. doi: 10.1016/S1352-2310(00)00385.
  5. Beckerman, B. S., Jerrett, M., Martin, R. V., van Donkelaar, A., Ross, Z., Burnett, R. T. (2013). Application of the deletion/substitution/addition algorithm to selecting land use regression models for interpolating air pollution measurements in california. Atmospheric Environ, 77, 172–7. doi: 10.1016/j.atmosenv.2013.04.024.
  6. Liu, B. C., Binaykia, A., Chang, P. C., Tiwari, M. K., Tsao, C. C. (2017). Urban air quality forecasting based on multi-dimensional collaborative support vector regression (svr): A case study of beijing-tianjin-shijiazhuang. PLOS ONE, 12(7), 1–17.
  7. Bobb, J. F., Valeri, L., Henn, B. C., Christiani, D. C., Wright, R. O., Mazumdar, M. & et al. (2014). Bayesian kernel machine regression for estimating the health effects of multi-pollutant mixtures. Biostatistics, 16 (3), 058.
  8. Gass, K., Klein, M., Chang, H. H., Flanders, W. D., Strickland, M. J. (2014). Classification and regression trees for epidemiologic research: an air pollution example. Environ Health, 13 (1), 17. doi: 10.1186/1476-069X-13-17.
  9. Vercellis, C. (2009). Business intelligence: data mining and optimization for decision making. Cornwall: John Wiley & Sons Ltd. Publication, 417.
  10. Kuchansky, A., Biloshchytskyi, A., Andrashko, Yu., Vatskel, V., Biloshchytska, S., Danchenko, O. & et al. (2018). Combined models for forecasting the air pollution level in infocommunication systems for the environment state monitoring. 2018 IEEE 4th International Symposium on Wireless Systems within the International Conferences on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS-SWS). Lviv, 125–130. DOI: 10.1109/IDAACS-SWS.2018.8525608.
  11. Kuchansky, A., Biloshchytskyi, A., Andrashko, Y., Biloshchytska, S., Shabala, Y., Myronov, O. (2018). Development of adaptive combined models for predicting time series based on similarity identification. Eastern-European Journal of Enterprise Technologies, 1(4 (91), 32–42. https://doi.org/10.15587/1729-4061.2018.121620.
  12. Yuanfang, He. (2019). Fomalization of the problem of evaluation of pollution of the environment. Management of development of complex systems, 38, 168–172, https://doi.org/10.6084/m9.figshare.9788702.
  13. He, Y., Biloshchytskyi, A. O. (2019). Hardware of the information system for environmental pollution monitoring. Scientific Bulletin of Uzhhorod University. Series of Mathematics and Informatics, 2(35), 143–148. https://doi.org/10.24144/2616-7700.2019.2(35).143-148.
  14. Peters, E. E. (1994). Fractal market analysis: applying chaos theory to investment and economics. John Wiley & Sons Inc, 336.
  15. Anis, A., Lloyd, E. (1976). The expected value of the adjusted rescaled Hurst Range of independent normal summands. Biometrika, 63, 111–116.

References:

  1. Government expenditure on environmental protection. (2019). Eurostat: Statistics Explained. Retrieved from https://ec.europa.eu/eurostat/statistics-explained/index.php/Government_expenditure_on_environmental_protection.
  2. Kukkonen, J., Partanen, L., Karppinen, A., Ruuskanen, J., Junninen, H., Kolehmainen, M. & et al. (2003). Extensive evaluation of neural network models for the prediction of no 2 and pm 10 concentrations, compared with a deterministic modelling system and measurements in central helsinki. Atmos Environ, 37 (32), 4539–550. doi: 10.1016/S1352-2310(03)00583-1.
  3. Niska, H., Hiltunen, T., Karppinen, A., Ruuskanen, J., Kolehmainen, M. (2004). Evolving the neural network model for forecasting air pollution time series. Eng Appl Artif Intell; 17 (2), 159–67. doi: 10.1016/j.engappai.2004.02.002.
  4. Kolehmainen, M., Martikainen, H., Ruuskanen, J. (2001). Neural networks and periodic components used in air quality forecasting. Atmos Environ, 35 (5), 815–25. doi: 10.1016/S1352-2310(00)00385.
  5. Beckerman, B. S., Jerrett, M., Martin, R. V., van Donkelaar, A., Ross, Z., Burnett, R. T. (2013). Application of the deletion/substitution/addition algorithm to selecting land use regression models for interpolating air pollution measurements in california. Atmospheric Environ, 77, 172–7. doi: 10.1016/j.atmosenv.2013.04.024.
  6. Liu, B. C., Binaykia, A., Chang, P. C., Tiwari, M. K., Tsao, C. C. (2017). Urban air quality forecasting based on multi-dimensional collaborative support vector regression (svr): A case study of beijing-tianjin-shijiazhuang. PLOS ONE, 12(7), 1–17.
  7. Bobb, J. F., Valeri, L., Henn, B. C., Christiani, D. C., Wright, R. O., Mazumdar, M. & et al. (2014). Bayesian kernel machine regression for estimating the health effects of multi-pollutant mixtures. Biostatistics, 16 (3), 058.
  8. Gass, K., Klein, M., Chang, H. H., Flanders, W. D., Strickland, M. J. (2014). Classification and regression trees for epidemiologic research: an air pollution example. Environ Health, 13 (1), 17. doi: 10.1186/1476-069X-13-17.
  9. Vercellis, C. (2009). Business intelligence: data mining and optimization for decision making. Cornwall: John Wiley & Sons Ltd. Publication, 417.
  10. Kuchansky, A., Biloshchytskyi, A., Andrashko, Yu., Vatskel, V., Biloshchytska, S., Danchenko, O. & et al. (2018). Combined models for forecasting the air pollution level in infocommunication systems for the environment state monitoring. 2018 IEEE 4th International Symposium on Wireless Systems within the International Conferences on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS-SWS). Lviv, 125–130. DOI: 10.1109/IDAACS-SWS.2018.8525608.
  11. Kuchansky, A., Biloshchytskyi, A., Andrashko, Y., Biloshchytska, S., Shabala, Y., Myronov, O. (2018). Development of adaptive combined models for predicting time series based on similarity identification. Eastern-European Journal of Enterprise Technologies, 1(4 (91), 32–42. https://doi.org/10.15587/1729-4061.2018.121620.
  12. Yuanfang, He. (2019). Fomalization of the problem of evaluation of pollution of the environment. Management of development of complex systems, 38, 168–172, https://doi.org/10.6084/m9.figshare.9788702.
  13. He, Y., Biloshchytskyi, A. O. (2019). Hardware of the information system for environmental pollution monitoring. Scientific Bulletin of Uzhhorod University. Series of Mathematics and Informatics, 2(35), 143–148. https://doi.org/10.24144/2616-7700.2019.2(35).143-148.
  14. Peters, E. E. (1994). Fractal market analysis: applying chaos theory to investment and economics. John Wiley & Sons Inc, 336.
  15. Anis, A., Lloyd, E. (1976). The expected value of the adjusted rescaled Hurst Range of independent normal summands. Biometrika, 63, 111–116.