Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/92605
Título: | Modelos preditivos para monitorização do índice da qualidade do ar |
Outro(s) título(s): | Predictive models for air quality index monitoring |
Autor(es): | Costa, Márcia Maria Fernandes |
Orientador(es): | Novais, Paulo |
Palavras-chave: | Deep learning Índice da qualidade do ar Machine learning Sustentabilidade ambiental Air quality index Environmental sustainability |
Data: | 13-Mai-2024 |
Resumo(s): | Atualmente, observa-se uma crescente preocupação acerca dos impactos prejudiciais que as gerações
futuras poderão enfrentar em virtude da insustentabilidade ambiental do planeta. Diante dessa realidade,
a presente dissertação tem como objetivo analisar a forma como a sociedade está a utilizar os recursos
naturais disponíveis. Nesse sentido, esta dissertação visa estudar esse fenómeno através da conceção
de modelos preditivos sobre o Índice da Qualidade do Ar (IQA), efetuando previsões para dois timesteps
futuros, recursivamente.
O IQA é um indicador que traduz o estado da qualidade do ar. Para além da compreensão e visuali zação de dados relacionados com o IQA, é também objeto de estudo a integração de dados relacionados
com o clima (temperatura, vento, etc.) para entender que impacto podem ter nesse índice.
A presente dissertação passa pela conceção de modelos de Deep Learning (DL), como o Long Short
Term Memory (LSTM), Multilayer Perceptron (MLP), Gated recurrent unit (GRU) e Convolutional Neural
Networks (CNN) para a previsão do IQA, incluindo o treino e o tuning de vários modelos candidatos.
Pretende-se que seja possível tomar decisões de forma proativa minimizando, assim, situações de risco,
e melhorando a qualidade de vida da população mundial.
Os resultados demonstraram que o modelo com melhor performance dependia da abordagem ado tada. No caso da abordagem Univariate, o modelo candidato baseado no modelo CNN apresentou a
melhor performance, com um valor aproximado de Root Mean Square Error (RMSE) de 4.46. Por ou tro lado, no que concerne à abordagem Multivariate, o modelo candidato com melhor performance, foi
baseado no modelo MLP, também com um valor aproximado de RMSE de 4.46. There is a growing concern about the detrimental impacts that future generations may face due to the environmental unsustainability of the planet. Faced with this reality, this dissertation analyses how soci ety utilises available natural resources. This dissertation seeks to study this phenomenon by designing predictive models for the IQA, making forecasts for two future timesteps recursively. The IQA is an indicator that reflects air quality. In addition to understanding and visualising data related to the IQA, the integration of climate-related data (temperature, wind, etc.) is also studied to understand their impact on this index. This dissertation involves the design of DL models such as LSTM, MLP, GRU, and CNN for predicting the IQA, including the training and tuning of various candidate models. The goal is to make proactive decisions, thus minimising risk situations and improving the quality of life for the global population. The results demonstrated that the model with the best performance depended on the adopted ap proach. In the case of the Univariate approach, the candidate model based on the CNN model showed the best performance, with an approximate RMSE value of 4.46. On the other hand, regarding the Multivariate approach, the candidate model with the best performance was based on the MLP model, also with an approximate RMSE value of 4.46. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado em Engenharia de Sistemas |
URI: | https://hdl.handle.net/1822/92605 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado DPS - Dissertações de Mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Marcia Maria Fernandes Costa.pdf | Dissertação de mestrado | 1,93 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons