Ανάλυση και πρόβλεψη ατμοσφαιρικών ρύπων με αλγορίθμους χρονοσειρών : μελέτη περίπτωσης στα δεδομένα OpenAQ
Loading...
Date
2026-05-22
Authors
Μπουγιατάκης, Σπυρίδων
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Η παρούσα διπλωματική εργασία πραγματεύεται την ανάπτυξη και συγκριτική αξιολόγηση αλγορίθμων πρόβλεψης των ημερήσιων συγκεντρώσεων του ατμοσφαιρικού ρύπου PM2.5 στην πόλη του Νέου Δελχί, με χρήση δεδομένων από την πλατφόρμα OpenAQ. Εξετάστηκαν αλγόριθμοι στατιστικής, μηχανικής μάθησης και βαθιάς μάθησης, συγκεκριμένα οι ARIMA, K-Nearest Neighbors, Random Forest, Gradient Boosting, XGBoost, LightGBM, MLP, LSTM και GRU, καθώς και δύο αλγόριθμοι αναφοράς, το αφελές μοντέλο τελευταίας τιμής και το εποχικά αφελές μοντέλο. Η αξιολόγηση πραγματοποιήθηκε για δύο χρονικούς ορίζοντες πρόβλεψης, δύο και επτά ημερών, με χρήση των μετρικών MAE, MSE, RMSE και R², ενώ για τη διερεύνηση της στατιστικής σημαντικότητας των διαφορών μεταξύ των αλγορίθμων εφαρμόστηκε το τεστ Diebold-Mariano.
Τα αποτελέσματα έδειξαν ότι για τον βραχυπρόθεσμο ορίζοντα των δύο ημερών δεν παρατηρούνται στατιστικά σημαντικές διαφορές στα σφάλματα μεταξύ του αφελούς μοντέλου τελευταίας τιμής (P-Naive), των αλγορίθμων μηχανικής και βαθιάς μάθησης. Το εύρημα αυτό αποδίδεται στην ισχυρή βραχυχρόνια αυτοσυσχέτιση των δεδομένων, όπου οι πρόσφατες τιμές της χρονοσειράς περιέχουν επαρκή πληροφορία για ακριβή πρόβλεψη σε πολύ μικρούς ορίζοντες. Λόγω της απλότητας και της συγκρίσιμης απόδοσής του, το αφελές μοντέλο τελευταίας τιμής αποτελεί την πλέον αποδοτική επιλογή για πρόβλεψη δύο ημερών. Για τον μακροπρόθεσμο ορίζοντα των επτά ημερών, οι αρχιτεκτονικές βαθιάς μάθησης LSTM και GRU αναδείχθηκαν ως οι πλέον αποδοτικές προσεγγίσεις, εμφανίζοντας στατιστικά σημαντικά καλύτερη ακρίβεια πρόβλεψης έναντι των περισσότερων αλγορίθμων μηχανικής μάθησης, λόγω της ικανότητάς τους να μοντελοποιούν μακροχρόνιες χρονικές εξαρτήσεις.
Description
Keywords
Ανάλυση χρονοσειρών, Πρόβλεψη χρονοσειρών, Πρόβλεψη PM2.5, Στατιστικά μοντέλα, Μηχανική μάθηση, Βαθιά μάθηση