REDES NEURAIS RECORRENTES PARA PREVISÃO DA QUALIDADE DO AR NO MUNICÍPIO DO RIO DE JANEIRO
Documento
Informações da Dissertação
Título
REDES NEURAIS RECORRENTES PARA PREVISÃO DA QUALIDADE DO AR NO MUNICÍPIO DO RIO DE JANEIRO
Autor
José Fernando Lopes Leocadio
Resumo
O clima tropical da região metropolitana do Rio de Janeiro é especialmente suscetível a poluentes atmosféricos, diretamente relacionados a graves doenças cardiopulmonares. Como forma de contribuir com a resolução deste problema, neste trabalho pretendemos examinar o desempenho de um ensemble de redes neurais do tipo recorrente, na tarefa de previsão dos níveis máximos de poluentes atmosféricos. O conjunto de dados analisado, disponibilizado pelo governo municipal, é composto pelas variações dos níveis de poluentes atmosféricos e por informações meteorológicas, de oito bairros distintos do Rio de Janeiro. Verificou-se que a correlação entre os dados de estações adjacentes pode chegar a 95%, de acordo com a variável estudada. Os experimentos realizados mostraram que o ensemble de redes neurais proposto, tem desempenho superior aos modelos simples, em 3 dos 4 cenários estudados. Adicionalmente, projetamos um sistema de alerta para níveis de poluentes anormais, utilizando ferramentas de computação em nuvem.
Abstract
The tropical climate of the metropolitan region of Rio de Janeiro is especially susceptible to air pollutants, that could be directly connected to serious cardiopulmonary illnesses. To contribute with the resolution of this issue, the goal of the present work is to exam the performance of an ensemble of Recurrent Neural Networks on the prediction of daily maximum pollutant levels. The analyzed dataset is provided by the local government and it is composed by hourly-levels for pollutants and meteorological features from eight different locations of Rio de Janeiro. We verified that the correlation among nearby stations data is up to 95%, depending on the examined variable. The experiments showed that the ensemble model has superior performance to simpler models in 3 out of 4 studied scenarios. Additionally, we designed an alert system to abnormal pollutant levels, using cloud computing tools.
Ano
2023
Orientadores
Nelson Francisco Favilla Ebecken