Моделирование и прогнозирование концентрации PM2.5 на строительной площадке с использованием искусственного интеллекта

Введение. Воздействие на людей высоких концентраций РМ2.5 неблагоприятно сказывается на их здоровье. По оценкам исследователей, воздействие твердых частиц, образующихся в результате выбросов строительной пыли, стало причиной 18 % смертей от заболеваний дыхательной системы. В связи с ростом объемов строительного производства и увеличением, соответственно, объемов пылевых выбросов появляется необходимость расширить функционал применения сквозных технологий, а именно технологий искусственного интеллекта, в сфере прогнозирования концентрации пылевых выбросов в атмосферном воздухе частиц мелкодисперсной пыли РМ2.5 на строительной площадке. 

Материалы и методы. Для достижения поставленной цели были проведены замеры концентрации частиц РМ2.5 на строительной площадке с помощью счетчика частиц Handheld 3016 IAQ в период в период с 1 по 6 июля 2023 г, учитывая метеорологические характеристики территории, которые стали в дальнейшем исходными данными для моделирования прогноза концентрации пылевого загрязнения с помощью таких алгоритмов как ARIMA, EMA, XGBoost и т.д., а также ансамблевых моделей, в состав которых вошли рассматриваемые алгоритмы машинного обучения. Определение эффективности применение данных технологий в сфере прогнозирование определялось путем сравнения результатов прогноза и данными натурных измерений. 

Результаты исследования. Произведен корреляционный анализ посредством программы «Modeltime», что определяет взаимосвязь между концентрацией РМ2.5 и метеорологическими переменными. Автокорреляция была проведена при помощи корреляции Пирсона. Произведена оценка на первом этапе четырех одномерных моделей на базе искусственного интеллекта с целью определения точности прогноза средней концентрации. Следующим этапом стала оценка прогнозирования средней концентрации РМ2.5 при помощи многомерных моделей, которые учитывают взаимосвязи между независимыми и зависимыми переменными. На заключительном этапе исследования три лучшие модели с точки зрения эффективности прогнозирования были включены для проверки ансамблевой модели.

Обсуждение и заключение. Надежные прогнозные модели могут быть полезными инструментами для понимания факторов, которые могут влиять на концентрацию. В настоящем исследовании для прогнозирования концентрации РМ2.5 использовались семь алгоритмов машинного обучения. В совокупности это исследование предоставляет доказательства эффективности использования методов комплексного моделирования для прогнозирования загрязнения воздуха.

1. Nagaraju K., Goyal S. Impact of construction activities on environment. International Journal of Engineering Technologies and Management Research. 2023;10(1):17–24.

2. Menzelintseva N.V., Karapuzova N.Y., Mikhailovskaya Y.S., Redhwan A.M. Efficiency of standards compliance for PM(10) and PM(2,5). International Review of Civil Engineering. 2016;7(6):1–8. https://doi.org/10.15866/irece.v7i6.9750

3. Bogachev K., Mikhaleva M., Gorelov I. Algebraic multilevel method AMG: Comparison with the method BICGSTAB + ILU and its use in the method CPR. Moscow University Mathematics Bulletin. 2010;65:156–160. https://doi.org/10.3103/S0027132210040042

4. Rossello J.L, Font-Rosselló J., Frasser C.F., Moran A., Canals V., Roca M. Stochastic Computing Applications to Artificial Neural Networks. In book: Design and Applications of Emerging Computer Systems 2023. Pp. 303–330. https://doi.org/10.1007/978-3-031-42478-6_12

5. Азаров В.Н., Кузьмичев А.А., Николенко Д.А., Васильев А.Н., Козловцева Е.Ю. Исследование дисперсного состава пыли городской среды. Вестник МГСУ. 2020;15(3):432–442. https://doi.org/10.22227/1997-0935.2020.3.432-442

6. Hasan M., Abedin M., Hájek P., Coussement K., Sultan N., Lucey B. A blending ensemble learning model for crude oil price forecasting. Annals of Operations Research. 2024. https://doi.org/10.1007/s10479-023-05810-8

7. Amartey E.L.N., Onibudo O., Anamor S.K., Nkansah B.O. Dust Sources and Impact: A Review. North American Academic Research. 2022;5:17–37. https://doi.org/10.5281/zenodo.7068922

8. Ali T.E., Syed Ali M.A.S.E., Sadiq M., Khanam T., Ullah I., Pongpiachan S. et al. Dust Effects and Human Health. In book: Dust and Health. 2023. Pp. 1–15. https://doi.org/10.1007/978-3-031-21209-3_1

9. Azarov V.N., Тrokhimchyk M.K., Sidelnikova O.E. Research of dust content in the earthworks working area. Procedia Engineering. 2016;150:2008–2012. https://doi.org/10.1016/j.proeng.2016.07.282

10. Стреляева А.Б., Калюжина Е.А. Экологическая безопасность при проведении земляных и строительноотделочных работ. Вестник Волгоградского государственного архитектурно-строительного университета. Серия: Строительство и архитектура. 2017;50(69):321–329. https://vgasu.ru/upload/files/science/2017_50-69.pdf (дата обращения 11.03.2024)

11. Сумеркин Ю.А., Теличенко В.И., Оценка экологической безопасности придомовых территорий жилых районов. Промышленное и гражданское строительство. 2017;6:75–79.

12. Ridwan M., Sadik K., Afendi F. Comparison of ARIMA and GRU Models for High-Frequency Time Series Forecasting. Scientific Journal of Informatics. 2024;10:389–400. https://doi.org/10.15294/sji.v10i3.45965

13. Peruvazhuthi K., Kumar D., Chithra N. Performance evaluation of univariate time-series techniques for forecasting monthly rainfall data. Journal of Water and Climate Change. 2022;13(12):4151–4176. https://doi.org/10.2166/wcc.2022.107

14. Afarini N., Hindarto D. Forecasting Airline Passenger Growth: Comparative Study LSTM VS Prophet VS Neural Prophet. Sinkron. 2024;9:505–513. https://doi.org/10.33395/sinkron.v9i1.13237

15. Ansari A., Singh P., Ruliana R., Pandey A., Gupta S. Comparison of ARIMA, SutteARIMA, Holt-Winters and NNAR Models to Predict Food Grain in India. Forecasting. 2023;5(1):138–152. https://doi.org/10.3390/forecast5010006

16. Mouhajir M., Nechba M., Sedjari Y. Computing the Vapnik Chervonenkis Dimension for Non-Discrete Settings. arXiv. 2023:2308.10041. https://doi.org/10.48550/arXiv.2308.10041

17. Gnambs T. A Brief Note on the Standard Error of the Pearson Correlation. Collabra Psychology. 2023:9(1):1–8. https://doi.org/10.1525/collabra.87615