Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/79304
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | ศุภกานต์ พิมลธเรศ | - |
| dc.contributor.advisor | ศศิภา พันธุวดีธร | - |
| dc.contributor.author | ดำรง ตงศิริ | - |
| dc.contributor.other | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิทยาศาสตร์ | - |
| dc.date.accessioned | 2022-07-20T07:58:48Z | - |
| dc.date.available | 2022-07-20T07:58:48Z | - |
| dc.date.issued | 2563 | - |
| dc.identifier.uri | http://cuir.car.chula.ac.th/handle/123456789/79304 | - |
| dc.description | โครงงานเป็นส่วนหนึ่งของการศึกษาตามหลักสูตรปริญญาวิทยาศาสตรบัณฑิต สาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ปีการศึกษา 2563 | en_US |
| dc.description.abstract | งานวิจัยนี้มีจุดประสงค์เพื่อพัฒนาตัวแบบพยากรณ์คุณภาพอากาศโดยใช้โครงข่ายประสาทเทียมเวียนซ้ำกับโครงข่ายประสาทเทียมคอนโวลูชันและข้อมูลอนุกรมเวลาในรอบ 1 ปี ซึ่งได้จากข้อมูลความเข้มข้นของสิ่งปนเปื้อนทางอากาศในเมืองไทเป ประเทศไต้หวัน และกรุงเทพมหานคร เพื่อฝึกสอนตัวแบบและวัดประสิทธิภาพการทำนายค่าความเข้มข้นของสิ่งปนเปื้อน และค่าดัชนีคุณภาพอากาศ ในการศึกษานี้เสนอการแก้ปัญหาโดยใช้ตัวแบบการทำนายหลากหลายได้แก่ โครงข่ายประสาทเทียมคอนโวลูชัน โครงข่ายประสาทเทียมคอนโวลูชันที่เสริมชั้นของการผ่านค่าส่วนเหลือโครงข่ายประสาทเทียมแบบเวียนซ้ำ และตัวแบบการทำนายโดยการเรียนรู้ของเครื่องแบบดั้งเดิม ผลการทดลองพบว่าตัวแบบการเรียนรู้เชิงลึกหลายงานโดยใช้ชั้นบริบทของหน่วยการเวียนซ้ำหลายช่องทางแบบร่วม (MT-DEEPAIR-SHARED-GRU) เหมาะสมกับสถานการณ์ที่มีสถานีตรวจสอบไม่มากตั้งอยู่อย่างเบาบางในบริเวณหนึ่ง และตัวแบบการเรียนรู้เชิงลึกชนิดหลายงานโดยใช้โครงข่ายประสาทเทียมคอนโวลูชันที่เสริมบล็อกการผ่านค่าส่วนเหลือ และชั้นบริบทของหน่วยการเวียนซ้ำหลายช่องทางแบบร่วม (MTD-RES-SHARED-GRU) เหมาะสมกับสถานการณ์ที่มีสถานีตรวจสอบจำนวนมากตั้งอยู่อยางหนาแน่นในบริเวณหนึ่ง | en_US |
| dc.description.abstractalternative | The purpose of this research is to develop air quality forecasting model based on the recurrent neural network and the convolutional neural network as well as time-series data within a one-year time frame obtained from data of air pollutant concentrations in Taipei, Taiwan and Bangkok, Thailand for training a model and measuring performance of predicting air pollutant concentrations and air quality index. This study proposes solving the problem using various prediction models, which are convolutional neural network, convolutional neural network with a residual passing block, recurrent neural network, and traditional machine learning algorithms. The result showed that multi-task deep learning model with shared Gated Recurrent Unit context layer (MT-DEEPAIR-SHARED-GRU) is suitable for the situation that a few air monitoring stations are sparsely located in a region; and multi-task deep learning model with convolutional neural networks with residual passing blocks and shared Gated Recurrent Unit context layer (MTD-RES-SHARED-GRU) is suitable for a situation that many air monitoring stations are densely located in a region. | en_US |
| dc.language.iso | th | en_US |
| dc.publisher | จุฬาลงกรณ์มหาวิทยาลัย | en_US |
| dc.rights | จุฬาลงกรณ์มหาวิทยาลัย | en_US |
| dc.subject | การวิเคราะห์อนุกรมเวลา | en_US |
| dc.subject | คุณภาพอากาศ -- พยากรณ์ | en_US |
| dc.subject | Time-series analysis | en_US |
| dc.subject | Air quality -- Forecasting | en_US |
| dc.title | ตัวแบบพยากรณ์คุณภาพอากาศโดยใช้ข้อมูลอนุกรมเวลา | en_US |
| dc.title.alternative | Air Quality Forecasting Model Using Time-series Data | en_US |
| dc.type | Senior Project | en_US |
| dc.degree.grantor | จุฬาลงกรณ์มหาวิทยาลัย | en_US |
| Appears in Collections: | Sci - Senior Projects | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 63-SP-COMSCI-049 -Damrong Tongsiri.pdf | 73.34 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.