Reti neurali per la previsione a breve termine del PM10: il caso di Milano
Autore
Manuela Cecchetti - Politecnico di Milano - [2002-03]
Documenti
Abstract
Scopo di questo lavoro è stata la messa a punto di un modello per la previsione della concentrazione di PM10 nella città di Milano, in particolare per l’area corrispondente alla centralina di via Juvara. Il modello studiato è un previsore neurale che riceve in ingresso le concentrazioni di alcune sostanze inquinanti (NOX e SO2) e parametri meteorologici come ad esempio temperatura, pioggia, pressione, velocità del vento, etc., che sono coinvolti in qualche modo nella formazione e nel comportamento chimico-fisico del particolato fine. L’uscita dei modelli è la concentrazione di PM10 del giorno successivo valutato come media giornaliera. Il passo temporale della previsione è, quindi, giornaliero. Tutti i dati in ingresso sono stati rilevati nella stazione situata in via Juvara.
Lo studio si è concentrato in particolare sulla ricerca di un metodo di destagionalizzazione dei dati che renda più performante il modello di previsione. I dati disponibili sono infatti stati analizzati per individuare le ciclicità che caratterizzano le serie temporali, in modo tale da poterle eliminare seguendo diversi metodi basati sia sulla standardizzazione mediante parametri tempovarianti, che sull’utilizzo di regressori non lineari.
Le reti neurali sono state addestrate con la tecnica dell’early stopping e le più significative sono poi state sottoposte a pruning, tramite l’algoritmo Optimal Brain Surgeon (OBS).
Per ciascuno degli esperimenti effettuati sono stati calcolati degli indici di prestazione. I vari modelli sono stati quindi valutati mediante un’analisi a molti obiettivi che ci ha permesso di scegliere la rete più performante e, di conseguenza il metodo di destagionalizzazione con il quale si ottengono le prestazioni migliori. I risultati evidenziano la necessità di un processo di destagionalizzazione dei dati ed il miglior risultato è stato ottenuto operando sia sugli inquinanti in ingresso che sulle concentrazioni di particolato in uscita. A partire da questo modello si è inoltre indagato sull’utilizzo delle previsioni meteorologiche e sull’ingresso di pioggia per le previsioni a uno e a due giorni. Quest’ultimo modello risulta quello più utile a coloro che devono decidere come intervenire quando le concentrazioni di PM10 sono elevate.
Lo studio si è concentrato in particolare sulla ricerca di un metodo di destagionalizzazione dei dati che renda più performante il modello di previsione. I dati disponibili sono infatti stati analizzati per individuare le ciclicità che caratterizzano le serie temporali, in modo tale da poterle eliminare seguendo diversi metodi basati sia sulla standardizzazione mediante parametri tempovarianti, che sull’utilizzo di regressori non lineari.
Le reti neurali sono state addestrate con la tecnica dell’early stopping e le più significative sono poi state sottoposte a pruning, tramite l’algoritmo Optimal Brain Surgeon (OBS).
Per ciascuno degli esperimenti effettuati sono stati calcolati degli indici di prestazione. I vari modelli sono stati quindi valutati mediante un’analisi a molti obiettivi che ci ha permesso di scegliere la rete più performante e, di conseguenza il metodo di destagionalizzazione con il quale si ottengono le prestazioni migliori. I risultati evidenziano la necessità di un processo di destagionalizzazione dei dati ed il miglior risultato è stato ottenuto operando sia sugli inquinanti in ingresso che sulle concentrazioni di particolato in uscita. A partire da questo modello si è inoltre indagato sull’utilizzo delle previsioni meteorologiche e sull’ingresso di pioggia per le previsioni a uno e a due giorni. Quest’ultimo modello risulta quello più utile a coloro che devono decidere come intervenire quando le concentrazioni di PM10 sono elevate.
Questa tesi è correlata alle categorie
segnala questa pagina ::.