23.05.2025; Вінниця, Україна: IX Міжнародна наукова конференція «Науковий простір: актуальні питання, досягнення та інновації»
Роботи, що індексуються в Google Scholar

ПОРІВНЯЛЬНИЙ АНАЛІЗ ТРАДИЦІЙНИХ ТА ГЛИБИННИХ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУ ДОМАШНЬОГО МІКРОКЛІМАТУ

  • Андрій Станько,
  • Юрій Срібний
PDF

Опубліковано 23.05.2025

Як цитувати

Станько, А., & Срібний, Ю. (2025). ПОРІВНЯЛЬНИЙ АНАЛІЗ ТРАДИЦІЙНИХ ТА ГЛИБИННИХ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУ ДОМАШНЬОГО МІКРОКЛІМАТУ. Матеріали конференцій МЦНД, (23.05.2025; Вінниця, Україна), 437–440. вилучено із https://archives.mcnd.org.ua/index.php/conference-proceeding/article/view/835

Завантаження

Дані завантаження ще не доступні.
Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.

Google Scholar

Анотація

У роботі виконано експериментальне порівняння класичних алгоритмів машинного навчання (лінійна й поліноміальна регресія, ARIMA, Random Forest, XGBoost) та глибинних архітектур (CNN 1D, LSTM, GRU, Transformer) у задачі короткострокового прогнозу параметрів мікроклімату—температури, відносної вологості, CO₂ і PM2.5—у типовому розумному будинку. Як еталон використано відкритий датасет IAQ SmartHome 2024 (288 000 записів з інтервалом 5 хв) [10]GitHub. Оцінювання за MAE, RMSE та R² показало, що Transformer на горизонті 60 хв знижує середню помилку на 25 % порівняно з найточнішою «класичною» моделлю XGBoost, однак потребує у багато разів більше ресурсів.

PDF

Посилання

  1. 1. Clemente, A. V., Nocente, A., & Ruocco, M. (2024). Optimizing indoor environmental prediction in smart buildings: A CNN‑based approach. Energy and Buildings, 291, 113495.
  2. 2. Li, Y., Zhang, Z., & Wang, H. (2023). A CNN‑GRU hybrid model for particulate matter forecasting indoors. Knowledge‑Based Systems, 262, 110223.
  3. 3. Tan, H. Y., Othman, M. H. D., & colleagues. (2024). AI management platform for privacy‑preserving indoor air quality control. Sustainable Computing: Informatics and Systems, 43, 101302.
  4. 4. Huiyi T. et al. (2024). Revolutionizing indoor air quality monitoring through IoT innovations: a systematic review. Environmental Science and Pollution Research, 31, 44463‑44488.
  5. 5. Zhou, R., Chen, J., & Huang, G. (2025). AIoT‑based indoor air quality prediction for intelligent buildings. Sustainable Cities and Society, 96, 105536.
  6. 6. Ma, X., Liang, H., & Chen, Y. (2023). Revealing long‑term indoor air quality prediction via Informer. Sensors, 23(18), 8003.
  7. 7. Setyowati, N. et al. (2024). Integrating experimental analysis and machine learning for enhancing HVAC efficiency. Proceedings of the Institution of Mechanical Engineers, Part A, 238(4), 567‑580.
  8. 8. Kaur, J., Parmar, K. S., & Singh, S. (2024). A novel IoT‑integrated ensemble learning approach for indoor air quality improvement. The Journal of Supercomputing, 80, 12250‑12268.
  9. 9. Chen, L., Wang, Q., & Zhao, K. (2024). Multi‑sensor fault detection and correction for automated IAQ monitoring. Sustainable Computing: Informatics and Systems, 42, 101238.
  10. 10. IAQ‑SmartHome 2024: Annotated sensor dataset for indoor air quality research [Data set]. GitHub.