Використання машинного навчання для прогнозування якості атмосферного повітря міста Вінниці

Abstract

Дану роботу присвячено розробці інтелектуальної системи прогнозування концентрації дрібнодисперсного пилу PM2.5 атмосферного повітря міста Вінниці з використанням ансамблевих методів машинного навчання. В рамках дослідження сформовано автоматизований ETL-пайплайн для збору та передобробки даних, здійснено розвідувальний аналіз часових рядів, побудовано та навчено ансамбль моделей градієнтного бустингу (LightGBM, XGBoost, CatBoost) із байєсівською оптимізацією гіперпараметрів. Найкраща модель LightGBM досягла коефіцієнта детермінації R² = 0.90 на горизонті t+1 та R² = 0.45 на горизонті t+24, що підтверджує ефективність запропонованого підходу.

This paper presents an intelligent system for forecasting PM2.5 fine particulate matter concentration in the atmospheric air of Vinnytsia city using ensemble machine learning methods. The study encompasses the development of an automated ETL pipeline for data collection and preprocessing, exploratory time series analysis, and training of a gradient boosting ensemble (LightGBM, XGBoost, CatBoost) with Bayesian hyperparameter optimization. The bestperforming LightGBM model achieved R² = 0.90 at the t+1 forecast horizon and R² = 0.45 at t+24, confirming the effectiveness of the proposed approach.