Ứng dụng mô hình Transformer dự báo nồng độ bụi mịn PM2.5 tại Hà Nội trong giai đoạn 2022-2025
DOI:
https://doi.org/10.5281/zenodo.19767482Từ khóa:
PM2.5, dự báo chuỗi thời gian, học sâu, Transformer, chất lượng không khíTóm tắt
Ô nhiễm không khí do bụi mịn PM2.5 đang trở thành một vấn đề môi trường nghiêm trọng tại nhiều đô thị lớn, đặc biệt ở các khu vực có tốc độ đô thị hóa nhanh. Việc dự báo chính xác nồng độ PM2.5 có ý nghĩa quan trọng trong công tác quản lý chất lượng không khí và xây dựng các hệ thống cảnh báo ô nhiễm môi trường. Nghiên cứu này nhằm đánh giá khả năng ứng dụng của các phương pháp học máy và học sâu trong dự báo nồng độ PM2.5 dựa trên dữ liệu chuỗi thời gian kết hợp với các yếu tố khí tượng. Dữ liệu sử dụng trong nghiên cứu bao gồm nồng độ PM2.5 cùng các biến khí tượng như nhiệt độ, độ ẩm và tốc độ gió tại khu vực Hà Nội. Các bước tiền xử lý dữ liệu được thực hiện bao gồm phát hiện và xử lý ngoại lai bằng phương pháp khoảng tứ phân vị (IQR), chuẩn hóa dữ liệu theo phương pháp Z-score và xây dựng các đặc trưng chuỗi thời gian. Các mô hình dự báo được xem xét gồm ARIMA, Random Forest, LSTM, GRU và Transformer. Kết quả thực nghiệm cho thấy các mô hình học sâu đạt hiệu suất dự báo cao hơn so với các phương pháp truyền thống. Trong đó, mô hình Transformer cho kết quả tốt nhất với sai số dự báo thấp và khả năng tái hiện xu hướng biến động của PM2.5 hiệu quả hơn so với các mô hình còn lại. Kết quả nghiên cứu cho thấy tiềm năng ứng dụng của các mô hình học sâu trong dự báo chất lượng không khí và cung cấp cơ sở khoa học cho việc xây dựng các hệ thống cảnh báo sớm ô nhiễm không khí tại các đô thị lớn.
Từ khóa: PM2.5, dự báo chuỗi thời gian, học sâu, Transformer, chất lượng không khí
Downloads
Tài liệu tham khảo
[1] Naz F., Mccann C., Fahim M., Cao T.V., Hunter R., Viet N.T., Nguyen L.D., Duong T.Q. (2023), Comparative analysis of deep learning and statistical models for air pollutants prediction in urban areas, IEEE Access, 11, 64016–64025.
[2] Mahajan S., Chen L.J., Tsai T.C. (2018), Short-term PM2.5 forecasting using exponential smoothing method: A comparative analysis, Sensors, 18(10), 3223.
[3] Russell S., Norvig P. (2009), Artificial Intelligence: A Modern Approach, 3rd Edition, Prentice Hall, Upper Saddle River, NJ.
[4] Oprea M., Mihalache S.F., Popescu M. (2017), Computational intelligence-based PM2.5 air pollution forecasting, International Journal of Computers Communications & Control, 12(3), 365–380.
[5] Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L., Polosukhin I. (2017), Attention Is All You Need, Proceedings of the 31st Conference on Neural Information Processing Systems (NeurIPS), Long Beach, USA.
[6] Nguyen M.H., Le Nguyen P., Nguyen K., Le V.A., Nguyen T.H., Ji Y. (2021), PM2.5 prediction using genetic algorithm-based feature selection and encoder–decoder model, IEEE Access, 9, 57338–57350.
[7] Hien P.D., Bac V.T., Tham H.C., Nhan D.D., Vinh L.D. (2002), Influence of meteorological conditions on PM2.5 and PM2.5–10 concentrations during the monsoon season in Hanoi, Vietnam, Atmospheric Environment, 36(21), 3473–3484.
[8] Zhou X., Cao Z., Ma Y., Wang L., Wu R., Wang W. (2016), Concentrations, correlations and chemical species of PM2.5 and PM10 based on published data in China: Potential implications for the revised particulate standard, Chemosphere, 144, 518–526.
[9] Zhao D., Chen H., Yu E., Luo T. (2019), PM2.5/PM10 ratios in eight economic regions and their relationship with meteorology in China, Advances in Meteorology, 2019, 1–15.
[10] Yan L., Wu Y., Yan L., Zhou M. (2018), Encoder–decoder model for forecast of PM2.5 concentration per hour, Proceedings of the 1st International Cognitive Cities Conference (IC3), 45–50.
Lượt tải xuống
Đã Xuất bản
Số
Chuyên mục
Giấy phép
Tác phẩm này được cấp phép theo Giấy phép Creative Commons Ghi công 4.0 Quốc tế.
Giấy phép CC 4.0
