prikaz prve stranice dokumenta Primjena konvolucijskih neuronskih mreža za modeliranje vremenskih nizova
  Download
PDF 2.89 MB
master's thesis
Primjena konvolucijskih neuronskih mreža za modeliranje vremenskih nizova
Zagreb: University of Zagreb, Faculty of Chemical Engineering and Technology, 2023. urn:nbn:hr:149:667263
Terzić, Teo
University of Zagreb
Faculty of Chemical Engineering and Technology

Institutional repository: Repository of Faculty of Chemical Engineering and Technology University of Zagreb

Cite this document

Terzić, T. (2023). Primjena konvolucijskih neuronskih mreža za modeliranje vremenskih nizova (Master's thesis). Zagreb: University of Zagreb, Faculty of Chemical Engineering and Technology. Retrieved from https://urn.nsk.hr/urn:nbn:hr:149:667263

Terzić, Teo. "Primjena konvolucijskih neuronskih mreža za modeliranje vremenskih nizova." Master's thesis, University of Zagreb, Faculty of Chemical Engineering and Technology, 2023. https://urn.nsk.hr/urn:nbn:hr:149:667263

Terzić, Teo. "Primjena konvolucijskih neuronskih mreža za modeliranje vremenskih nizova." Master's thesis, University of Zagreb, Faculty of Chemical Engineering and Technology, 2023. https://urn.nsk.hr/urn:nbn:hr:149:667263

Terzić, T. (2023). 'Primjena konvolucijskih neuronskih mreža za modeliranje vremenskih nizova', Master's thesis, University of Zagreb, Faculty of Chemical Engineering and Technology, accessed 27 July 2024, https://urn.nsk.hr/urn:nbn:hr:149:667263

Terzić T. Primjena konvolucijskih neuronskih mreža za modeliranje vremenskih nizova [Master's thesis]. Zagreb: University of Zagreb, Faculty of Chemical Engineering and Technology; 2023 [cited 2024 July 27] Available at: https://urn.nsk.hr/urn:nbn:hr:149:667263

T. Terzić, "Primjena konvolucijskih neuronskih mreža za modeliranje vremenskih nizova", Master's thesis, University of Zagreb, Faculty of Chemical Engineering and Technology, Zagreb, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:149:667263

Metadata
TitlePrimjena konvolucijskih neuronskih mreža za modeliranje vremenskih nizova
Title (english)Application of convolutional neural networks for time series modeling
AuthorTeo Terzić
MentorŽeljka Ujević Andrijić (mentor)
Committee memberDragana Mutavdžić Pavlović (predsjednik povjerenstva)
Committee memberŽeljka Ujević Andrijić (član povjerenstva)
Committee memberMiroslav Jerković (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Chemical Engineering and Technology
Zagreb
Defense date and country2023-09-27, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Chemical Engineering
Abstract
Visoke koncentracije dušikova dioksida (NO2) u zraku mogu ozbiljno utjecati na ljudsko zdravlje. Dugotrajno izlaganje ovoj onečišćujućoj tvari može uzrokovati ili pogoršati respiratorne probleme, uzrokujući bolesti kao što su astma i bronhitis. U ovom radu razvijene su 1D konvolucijske neuronske mreže s ciljem predviđanja koncentracija NO2 na urbaniziranom području grada Graza u Austriji. Za izradu modela korišten je programski jezik Python te pripadajuće biblioteke (Pytorch, Pandas, Numpy, itd.). Podatci su prikupljeni s mjerne postaje Zapad u Grazu. U svrhu optimizacije modela za predviđanje koncentracija NO2 ispitivana je različita kombinacija hiperparametara modela kao što su veličina vremenskog prozora kod vremenskih nizova, stopa učenja i regularizacijski član lambda. Za razvoj modela koristile su se meteorološke, temporalne i lag značajke. Podskupovi podataka uzimani su u različitim vremenskim periodima: podskup za učenje (treniranje) modela, 1.1.2014 do 15.3.2018, podskup za validaciju, 15.3.2018 do 15.3.2019 te testni skup, 15.3.2019 do 15.3.2020. Razvijeni modeli pokazali su dobru sposobnost generalizacije, a najbolji rezultat modela konvolucijske neuronske mreže postignut je sa vremenskim prozorom 12, stopom učenja 0,0001 i regularizacijskim članom lambda 0,1 te postiže koeficijent determinacije R^2=0,62. Usporedno je razvijen i model slučajnih šuma (engl. Random Forest) koji postiže koeficijent determinacije R^2=0,65.
Abstract (english)
High concentrations of nitrogen dioxide (NO2) in the air can seriously affect human health. Long-term exposure to this pollutant can cause or exacerbate respiratory problems such as asthma and bronchitis. In this study, 1D convolutional neural networks were developed with the aim of predicting NO2 concentrations in the urban area of Graz, Austria. The Python programming language and corresponding libraries (Pytorch, Pandas, Numpy, etc.) were used to create the model. The data were collected from the West monitoring station in Graz. A combination of various hyperparameters, such as the size of the time window, the learning rate, and the regularization term lambda, was used for the optimization of the NO2 concentration model. The features used for modeling included meteorological, temporal, and lag features. Subsets of data from different time periods were taken: the training subset from 1.1.2014 to 15.3.2018, the validation subset from 15.3.2018 to 15.3.2019, and the test subset from 15.3.2019 to 15.3.2020. These models showed good generalization ability, with the best result achieved with a time window of 12, a learning rate of 0.0001, and a regularization term lambda of 0.1, achieving a coefficient of determination R^2=0.62. A Random Forest model was also developed in parallel, achieving a coefficient of determination R^2=0.65.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:149:667263
Study programmeTitle: Chemical Engineering - Graduate study
Study programme type: university
Study level: graduate
Academic / professional title: sveučilišni/a magistar/magistra inženjer/inženjerka kemijskog inženjerstva (sveučilišni/a magistar/magistra inženjer/inženjerka kemijskog inženjerstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2023-11-22 11:32:15