ตัวแบบพยากรณ์คุณภาพอากาศโดยใช้ข้อมูลอนุกรมเวลา

ดำรง ตงศิริ

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