Prediction of Deep Learning Methods using Wavelet Transform

Hava kirliliği, PM10 gibi partikül madde içeren yanma gazlarının salınması sonucu ortaya çıkmaktadır. Doğru ve güvenilir teknikler ile PM10 konsantrasyonlarının tahmini, sağlık risklerini düşürmek için göz önüne alınmalıdır. Ortam hava kalitesi ve halk sağlığı üzerindeki zararlı etkileri en aza indirmek için önleyici tedbirleri yürütmek üzere erken uyarı sistemlerinin potansiyelinin olması, PM10'u tahmin etme sayesinde mümkün hale gelmektedir. Bu çalışma, saatlik geçmiş hava kirletici konsantrasyonları ve meteorolojik verileri kullanarak, Ayrık Dalgacık Dönüşümü (DWT), Çok Katmanlı Algılayıcılar (MLP), Yinelemeli Sinir Ağları (RNN), Uzun Kısa Süreli Bellek (LSTM), Çift Yönlü LSTM (BiLSTM), Kapılı Yinelemeli Birim (GRU) ve Evrişimli Sinir Ağı (CNN) kullanarak 24 saat sonraki PM10 konsantrasyonunu tahmin etmek için bir yöntem önermektedir. İlk olarak, yüksek performanslı modelleri belirlemek için dalgacık tipleri kullanılır ve bu modeller arasında derin öğrenme tekniklerinde iyi performans gösterenler belirlenir. Modeller karşılaştırılırken RMSE, MAE ve R2 değerleri gibi performans parametreleri dikkate alınmıştır. En iyi model, en düşük RMSE (1,908), MAE (0,994), ve en yüksek R2 ()'ye sahip Dmey dalgacık dönüşümü kullanılan DWT-GRU-BiLSTM modeli olmuştur. Bu çalışmada kullanılan model, gelecekteki araştırmalarda bölgesel PM konsantrasyon seviyelerini doğru bir şekilde tahmin etmek için kullanılabilir. Sürdürülebilir akıllı çevre sistemleri kurmak ve önleyici eylemlerde bulunabilen kurum ve kuruluşların doğru zamanda harekete geçmesine yardımcı olmak için, uygulanan bu hibrit derin öğrenme algoritmalarının doğru tahminleme yeteneğinden yararlanılabilir. Hava kirliliğinin arttığı ve insan sağlığı için tehdit oluşturduğu mevcut ortamda, alınabilecek her türlü önleyici tedbir, tüm canlılar için yaşam kalitesini iyileştirecek, hava kirliliğinden kaynaklanan sağlık sorunlarını ve ölümleri azaltacak ve nihayetinde refah derecesini yükseltecektir. Ayrıca, bu bulgular İstanbul gibi yoğun nüfuslu, endüstriyel ve yoğun trafiğe sahip şehirlerin hava kalitesiyle ilgili ikna edici ampirik kanıtlar sunabilir.