Detekcija anomalij v meritvah onesnaževal zraka

diplomsko delo

Luka Volk (Avtor), Petar Vračar (Mentor), Jana Faganeli Pucer (Komentor)

Povzetek

Onesnaženost zraka predstavlja resen okoljski problem, ki lahko slabo vpliva na zdravje ljudi in kakovost okolja. V diplomski nalogi se osredotočamo na detekcijo anomalij v meritvah onesnaževal zraka: žveplovega dioksida (SO2), ozona (O3), dušikovega dioksida (NO2), dušikovega oksida (NO), ogljikovega monoksida (CO) in delcev PM10. Podatki so bili pridobljeni s strani Agencije Republike Slovenije za okolje (ARSO). Zaznavanje anomalij v meritvah je ključno za zagotavljanje zanesljivih podatkov, saj lahko anomalije v podatkih kažejo na tehnične napake senzorjev oziroma kakšen drug izreden dogodek. V nalogi smo implementirali in primerjali tri različne modele strojnega učenja: XGBoost, LSTM samokodirnik in matrični profil. Med analiziranimi metodami se je najbolje izkazal model XGBoost, saj je uspešno zaznal največje število anomalij ter dosegel najvišje vrednosti metrik za ocenjevanje uspešnosti.

Ključne besede

detekcija anomalij;onesnaženost zraka;strojno učenje;XGBoost;LSTM samokodirnik;matrični profil;časovne vrste;visokošolski strokovni študij;diplomske naloge;

Podatki

Jezik:	Slovenski jezik
Leto izida:	2024
Tipologija:	2.11 - Diplomsko delo
Organizacija:	UL FRI - Fakulteta za računalništvo in informatiko
Založnik:	[L. Volk]
UDK:	004.85:502.3:613.15(043.2)
COBISS:	211114755
Št. ogledov:	130
Št. prenosov:	39
Ocena:	0 (0 glasov)
Metapodatki:

Ostali podatki

Sekundarni jezik:	Angleški jezik
Sekundarni naslov:	Anomaly detection in air pollutant measurements
Sekundarni povzetek:	Air pollution is a serious environmental problem that can negatively impact human health and environmental quality. This thesis focuses on anomaly detection in air pollutant measurements: sulfur dioxide (SO2), ozone (O3), nitrogen dioxide (NO2), nitrogen oxide (NO), carbon monoxide (CO), and particulate matter PM10. The data was obtained from ARSO. Detecting anomalies in these measurements is crucial for ensuring reliable data, as anomalies can indicate sensor malfunctions or other exceptional events. In this thesis, we implemented and compared three different machine learning models: XGBoost, LSTM autoencoder, and matrix profile. Among the analyzed methods, the XGBoost model performed the best, successfully detecting the highest number of anomalies and achieving the highest evaluation metrics.
Sekundarne ključne besede:	anomaly detection;air pollution;machine learning;XGBoost;LSTM autoencoder;matrix profile;time series;computer science;diploma;Strojno učenje;Onesnaževalci zraka;Računalništvo;Univerzitetna in visokošolska dela;
Vrsta dela (COBISS):	Diplomsko delo/naloga
Študijski program:	1000470
Konec prepovedi (OpenAIRE):	1970-01-01
Komentar na gradivo:	Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani:	1 spletni vir (1 datoteka PDF (40 str.))
ID:	24920789