Geri Dön

Air quality prediction using a hybrid deep learning architecture

Hibrit derin öğrenme mimarisi kullanarak hava kalitesi tahmini

  1. Tez No: 648695
  2. Yazar: AYŞENUR GİLİK
  3. Danışmanlar: DOÇ. DR. ATİLLA ÖZMEN, DR. ÖĞR. ÜYESİ ARİF SELÇUK ÖĞRENCİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Kadir Has Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 134

Özet

Hava kirliliği tahmini, çevresel izleme verilerindeki değişkenlerle ve bu değişkenler arasındaki karmaşık ilişkinin modellenmesiyle ilgilidir. Tezin amacı, gerçek sensör verilerini kullanarak hava kirliliğinin tahmini için denetimli bir model geliştirmek ve modeli şehirler arasında aktarmaktır. Mekansal-zamansal bir ilişki kullanarak birden çok konumdaki hava kirleticilerinin konsantrasyonunu tahmin etmek için bir CNN+LSTM derin sinir ağı modeli geliştirildi. 2B ve 3B girdi yapıları tanımlanır: 2D girdi (tek değişkenli) bir kirleticinin bilgisini içerir; 3B girdi (çok değişkenli) tüm kirleticiler ve meteoroloji bilgilerini içerir. Girdi-çıktıya göre üç farklı yöntem vardır: Yöntem-1 tek değişkenli girdi ve tek değişkenli çıktıya dayanır; Yöntem-2, çok değişkenli girdi ve tek değişkenli çıktıya dayanmaktadır; Yöntem-3, çok değişkenli girdi ve çok değişkenli çıktıya dayanmaktadır. Çalışma Barselona, Kocaeli ve İstanbul şehirlerinin kamuya açık verilerinde bulunan farklı kirleticiler için yapılmıştır. Hiperparametreler, en düşük RMSE testine ulaşan mimariyi belirlemek için ayarlandı. CNN+LSTM ağının performansı 1 gizli katmanlı LSTM ağıyla karşılaştırıldığında, önerilen model tahmin performansını PM10 için 11%-53%, O3 için 20%-31%, NOX için 9%-47% ve SO2 için 18%-46% arasındaki oranlarla geliştirildi. Ardından ağ ağırlıkları kaynak alanlardan hedef alana aktarıldı. Model, ağın Kocaeli'den İstanbul'a aktarımı ile bu iki şehir arasındaki benzerlikten dolayı daha güvenilir bir tahmin performansına sahiptir.

Özet (Çeviri)

Air pollution prediction is related to the variables in environmental monitoring data and modeling of the complex relationship between these variables. The objectives of the thesis are to develop a supervised model for the prediction of air pollution by using real sensor data and to transfer the model between cities. A CNN+LSTM deep neural network model was developed to predict the concentration of air pollutants in multiple locations by using a spatial-temporal relationship. The 2D input (univariate) contains the information of one pollutant; the 3D input (multivariate) contains the information of all pollutants and meteorology. There are three methods employed according to the input-output type: Method-1 is based on univariate-input and univariate-output; Method-2 is based on multivariate input and univariate-output; Method-3 is based on multivariate input and multivariate output. The study was carried out for different pollutants which are in publicly available data of the cities of Barcelona, Kocaeli, and İstanbul. The hyperparameters were tuned to determine the architecture that achieved the lowest test RMSE. Comparing the performance of the CNN+LSTM network with a 1-hidden layer LSTM network, the proposed model improved the prediction performance by the rates between 11%-53% for PM10, 20%-31% for O3, 9%-47% for NOX and 18%-46% for SO2. After, the network weights were transferred from the source domains to the target domain. The model has a more reliable prediction performance with the transfer of the network from Kocaeli to İstanbul because of the similarities between those two cities.

Benzer Tezler

  1. Fotovoltaik güç tahmini için jaya ve yapay sinir ağları tabanlı hibrit model geliştirilmesi

    Development of a hybrid model based on jaya and artificial neural networks for photovoltaic power prediction

    OĞUZ TAŞDEMİR

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ERDAL IRMAK

    DOÇ. DR. MEHMET YEŞİLBUDAK

  2. Çok birimli bir binanın doğal havalandırma davranışının sayısal analizi

    Numerical analysis of natural ventilation in multi-unit building

    OSMAN AVCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YAKUP ERHAN BÖKE

  3. Düşük bir hızlarında konuşma kodlama ve uygulamaları

    Low bit rate speech coding and applications

    TARIK AŞKIN

  4. Dağıtık üretim sistemlerinin akıllı şebekeler üzerine etkilerinin incelenmesi

    Examination of the effects of distributed generation on smart grids

    MİKAİL PÜRLÜ

    Doktora

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. BELGİN TÜRKAY

  5. Elektrikli araç şarj istasyonlarının alçak gerilim dağıtım şebekesine bağlantısı ve etkilerinin incelenmesi

    Examination of the connection and impacts of electric vehicle charging station on the low voltage distribution network

    EZGİ SOLAK ŞAHİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA BAĞRIYANIK