Genetik programlama ile hava kalitesi zamana bağlı seri tahminleme

Abstract

Bu çalışmada, genetik programlama kullanılarak hava kalitesi zamana bağlı seri tahminleme gerçekleştirilmiştir. Dünya Sağlık Örgütü ve diğer çevre ajanslarının raporlarına dayanarak, hava kirliliğinin neden olduğu ölümleri ve sağlık sorunlarını önlemek için hava kalitesi tahminlemenin ne kadar önemli olduğu gösterilmiştir. Bu çalışmanın temel amacı, hava kalitesi tahmini için genetik programlamanın kullanımını arttırmaya ve makine öğrenmesi yöntemleri ve otoregresif bütünleşmiş hareketli ortalama (ARIMA) ile yarışabilirliğini göstermeye katkıda bulunmaktır. Çalışmada bir yıl süreyle saatlik olarak ölçülmüş meteorolojik veriler kükürt dioksit ve parçacık madde gaz yoğunlaşmalarını tahmin etmek için kullanılmıştır. Zamana bağlı seri tahminleme problemi sembolik regresyon problemi olarak tanımlanmış ve Java tabanlı Evrimsel Hesaplama Araştırma sistemi (ECJ) kullanılmıştır. Tahminleme sonuçları genetik programlamanın performansını göstermek için çeşitli karar ağacı algoritmalarından ve ARIMA modelinden elde edilen sonuçlarla karşılaştırılmıştır. Karşılaştırmalar genetik programlamanın topluluk öğrenme yönteminden bile daha iyi performans sergilediğini göstermiştir.

In this study, air quality time series forecasting is performed by using genetic programming. Based on the reports of World Health Organization and the other environmental agencies, it has been shown how crucial air quality forecasting is to prevent deaths and health issues caused by air pollution. The primary aim of this study is to contribute to increasing the usage of genetic programming for air quality forecasting and to show its competitiveness with several machine learning algorithms and autoregressive integrated moving average (ARIMA) model. The hourly meteorological data for one-year length is utilized to forecast sulphur dioxide and particulate matter gas concentrations. The forecasting problem was identified as a symbolic regression problem and the Java-based Evolutionary Computation Research system (ECJ) was utilized to apply genetic programming to the problem. In order to demonstrate the performance of genetic programming, the forecast results were compared to the results that were collected from several decision tree algorithms and an ARIMA model. The comparisons showed that genetic programming performed better even than the ensemble learning method.