Библиографическое описание:НЕЙРОСЕТЕВАЯ LSTM-МОДЕЛЬ С СЕЗОННЫМ РАЗДЕЛЕНИЕМ ДАННЫХ ДЛЯ ПРОГНОЗИРОВАНИЯ КОНЦЕНТРАЦИИ PM<sub style="top: 0.0808em;">2.5 В АТМОСФЕРЕ КРАСНОЯРСКА : доклад, тезисы доклада / О. С. Володько, Н. А. Лев, Д. В. Полянчикова. - [Б. м. : б. и.], 2025. - Текст : непосредственный // Региональные проблемы дистанционного зондирования Земли : Материалы XII Международной научной конференции. - Красноярск, 2025. - С. 50-53. - ISBN 9785763851977.
Аннотация:В работе проведено сравнительное исследование эффективности различных моделей машинного обучения для прогнозирования концентрации PM<sub style="top: 0.08em;">2.5 </sub> в г. Красноярске. Показано, что нейросетевая модель LSTM, обученная на данных с сезонным разделением, значительно превосходит по точности регрессионные, ARIMA/ARIMAX, ансамблевые и бустинговые модели, демонстрируя значения MAE ≤1,63 мкг/м³ и R² ≥ 0,80. Наилучшие результаты достигнуты при добавлении в признаки метеопараметров, что особенно актуально для города с неблагоприятными метеорологическими условиями. Разработанное решение предназначено для интеграции в систему экологического мониторинга.
This study presents a comparative analysis of the effectiveness of various machine learning models for predicting PM<sub style="top: 0.08em;">2.5 </sub>concentration in Krasnoyarsk. It is shown that an LSTM neural network model trained on seasonally partitioned data significantly outperforms regression, ARIMA/ARIMAX, ensemble, and boosting models in accuracy, demonstrating MAE values of ≤1,63 µg/m³ and R² ≥ 0,80. The best results were achieved by incorporating meteorological parameters as features, which is particularly relevant for a city with unfavorable meteorological conditions. The developed solution is intended for integration into an environmental monitoring system.
