تخمین مقادیر جاافتاده در سری‌های زمانی داده‌های آلودگی هوای شهر تهران

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه سیستم‌های اطلاعات مکانی، دانشکده مهندسی نقشه‌برداری و سیستم‌های اطلاعات مکانی، دانشکدگان فنی، دانشگاه تهران، تهران، ایران.

چکیده

امروزه آلودگی هوا به یکی از معضلات مهم در شهرهای پرجمعیت تبدیل‌شده است که هرساله تعداد قابل‌توجهی از ساکنان شهرها را با مشکلات ریوی روبرو می‌کند و می‌تواند تأثیرات جبران‌ناپذیری بر سلامت شهروندان داشته باشد. دستگاه‌های ثبت آلودگی هوا در شهرها، آلودگی را به‌صورت ساعتی ثبت می‌کنند. مشکلات فنی پیش‌آمده برای این دستگاه‌ها، در بعضی مواقع سبب می‌شود بخشی از داده‌های مهم ثبت نگردند و درنتیجه آن، مقادیر جاافتاده در داده های ایجاد می‌گردد. در این مطالعه به تخمین مقادیر جاافتاده پرداخته‌شده است. این مطالعه روی‌داده‌های آلودگی هوای شهر تهران شامل غلظت آلاینده‌های PM2.5، PM10، SO2، NO2، O3 و CO انجام‌شده است. در این مطالعه الگوریتم LANN که در تخمین و پیش‌بینی سری‌های زمانی تک متغیره کاربرد دارد، استفاده‌شده است و مقادیرجاافتاده برای تمامی آلاینده‌ها پیاده‌سازی و مقایسه شده است. هم‌چنین در بخشی دیگر از مطالعه، سایر آلاینده‌های محیطی در برآوردمقادیر جاافتادهدر نظر گرفته‌شده‌اند که با به‌کارگیری روش شبکه عصبی، تخمین مقادیر جاافتاده برای همه آلاینده‌ها انجام‌شده است. همچنین برای بررسی و مقایسه الگوریتم ها از شاخص RMSE استفاده شده است. مقدار RMSE در روش LANN نسبت به سایر مدل‌های ساده‌تر شامل میانگین، رگرسیون خطی و LOCF مقدار کمتری داشت به نحوی که مقدار آن 30 تا 50 درصد، بسته به نوع آلاینده کمتر بوده است. همچنین الگوریتم شبکه عصبی نسبت به سایر روش‌ها در تخمین مقادیر PM2.5، RMSE کمتری داشت و مقدار آن 78/7 بوده است.

کلیدواژه‌ها

مراجع

  1. Al-Helali, B., Chen, Q., Xue, B., & Zhang, M. (2021). A new imputation method based on genetic programming and weighted KNN for symbolic regression with incomplete data. Soft Computing, 1-20.
  2. Aljuaid, T., & Sasi, S. (2016). Proper imputation techniques for missing values in data sets. 2016 International Conference on Data Science and Engineering (ICDSE).
  3. Andiojaya, A., & Demirhan, H. (2019). A bagging algorithm for the imputation of missing values in time series. Expert Systems with Applications, 129, 10-26.
  4. Ashrafi, K., & Ahmadi Orkomi, A. (2014). Atmospheric stability analysis andits correlationwith the concentration of air pollutants: a case study ofa critical air pollution episode in Tehran. Iranian Geophys, 8(3), 49-61.
  5. Ashrafi, K., & Hoshyaripour, G. A. (2010). A model to determine atmospheric stability and its correlation with CO concentration. International Journal of Civil and Environmental Engineering, 2(2), 82-88.
  6. Bokde, N., Beck, M. W., ءlvarez, F. M., & Kulat, K. (2018). A novel imputation methodology for time series based on pattern sequence forecasting. Pattern Recognition Letters, 116, 88-96.
  7. Caillault, É. P., Lefebvre, A., & Bigand, A. (2020). Dynamic time warping-based imputation for univariate time series data. Pattern Recognition Letters, 139, 139-147.
  8. Engels, J. M., & Diehr, P. (2003). Imputation of missing longitudinal data: a comparison of methods. Journal of clinical epidemiology, 56(10), 968-976.
  9. Flores, A., Tito, H., & Centty, D. (2019). Model for time series imputation based on average of historical vectors, fitting and smoothing. IJACSA) International Journal of Advanced Computer Science and Applications, 10(10), 346-352.
  10. Flores, A., Tito, H., & Silva, C. (2019). Local average of nearest neighbors: Univariate time series imputation. International Journal of Advanced Computer Science and Applications, 10(8), 45-50.
  11. Ghazali, S. M., Shaadan, N., & Idrus, Z. (2020). Missing data exploration in air quality data set using R-package data visualisation tools. Bulletin of Electrical Engineering and Informatics, 9(2), 755-763.
  12. Hadeed, S. J., O'Rourke, M. K., Burgess, J. L., Harris, R. B., & Canales, R. A. (2020). Imputation methods for addressing missing data in short-term monitoring of air pollutants. Science of the Total Environment, 730, 139-140.
  13. Hamami, F., & Dahlan, I. A. (2020). Univariate Time Series Data Forecasting of Air Pollution using LSTM Neural Network. 2020 International Conference on Advancement in Data Science, E-learning and Information Systems (ICADEIS).
  14. Junger, W., & De Leon, A. P. (2015). Imputation of missing data in time series for air pollutants. Atmospheric Environment, 102, 96-104.
  15. Junninen, H., Niska, H., Tuppurainen, K., Ruuskanen, J., & Kolehmainen, M. (2004). Methods for imputation of missing values in air quality data sets. Atmospheric Environment, 38(18), 2895-2907.
  16. Kowarik, A., & Templ, M. (2016). Imputation with the R Package VIM. Journal of Statistical Software, 74(7), 1-16.
  17. Liu, X., Wang, X., Zou, L., Xia, J., & Pang, W. (2020). Spatial imputation for air pollutants data sets via low rank matrix completion algorithm. Environment international, 139, 105713.
  18. Mishchuk, O., Tkachenko, R., & Izonin, I. (2019). Missing data imputation through SGTM neural-like structure for environmental monitoring tasks. International Conference on Computer Science, Engineering and Education Applications.
  19. Noor, N. M., Yahaya, A. S., Ramli, N. A., & Al Bakri Abdullah, M. M. (2015). Filling the missing data of air pollutant concentration using single imputation methods. In Applied Mechanics and Materials(Vol. 754, pp. 923-932). Trans Tech Publications Ltd.
  20. Plaia, A., & Bondi, A. (2006). Single imputation method of missing values in environmental pollution data sets. Atmospheric Environment, 40(38), 7316-7330.
  21. Seinfeld, J. H., & Pandis, S. N. (2016). Atmospheric chemistry and physics: from air pollution to climate change. John Wiley & Sons.
  22. Shaadan, N., & Rahim, N. (2019). Imputation Analysis for Time Series Air Quality (PM10) Data Set: A Comparison of Several Methods. Journal of Physics: Conference Series,
  23. Shahbazi, H., Karimi, S., Hosseini, V., Yazgi, D., & Torbatian, S. (2018). A novel regression imputation framework for Tehran air pollution monitoring network using outputs from WRF and CAMx models. Atmospheric Environment, 187, 24-33.
  24. Tito, H., Flores, A., & Silva, C. (2019). Local average of nearest neighbors: univariate time series imputation. International Journal of Advanced Computer Science and Applications, 10(8), 45-50.
  25. Tran, B. N. (2018). Evolutionary computation for feature manipulation in classification on high-dimensional data.Victoria University of Wellington.
  26. Tran, C. T., Zhang, M., Andreae, P., & Xue, B. (2017, July). Multiple imputation and genetic programming for classification with incomplete data. In Proceedings of the Genetic and Evolutionary Computation Conference(pp. 521-528).
  27. Yicun, G., Mohammad Khorshiddoust, A., Mohammadi, G. H., Hoseini Sadr, A., & Aghlmand, F. (2020). The relationship between PM2. 5 concentrations and atmospheric conditions in severe and persistent urban pollution in Tabriz, northwest of Iran. Arabian Journal of Geosciences, 13(5), 1-12.
  28. Yuan, H., Xu, G., Yao, Z., Jia, J., & Zhang, Y. (2018, October). Imputation of missing data in time series for air pollutants using long short-term memory recurrent neural networks. In Proceedings of the 2018 ACM International Joint Conference and 2018 International Symposium on Pervasive and Ubiquitous Computing and Wearable Computers(pp. 1293-1300).
  29. Zeileis, A., & Grothendieck, G. (2005). Zoo: S3 infrastructure for regular and irregular time series. ArXiv preprint math/0505527.
محیط شناسی
دوره 48، شماره 4
بهمن 1401
صفحه 439-459

فایل ها

هم رسانی

ارجاع به این مقاله

آمار