Detekcija anomalij v meritvah onesnaževal zrakaVolk, Luka (Avtor) Vračar, Petar (Mentor) Faganeli Pucer, Jana (Komentor) detekcija anomalijonesnaženost zrakastrojno učenjeXGBoostLSTM samokodirnikmatrični profilčasovne vrsteOnesnaženost zraka predstavlja resen okoljski problem, ki lahko slabo vpliva na zdravje ljudi in kakovost okolja. V diplomski nalogi se osredotočamo na detekcijo anomalij v meritvah onesnaževal zraka: žveplovega dioksida (SO2), ozona (O3), dušikovega dioksida (NO2), dušikovega oksida (NO), ogljikovega monoksida (CO) in delcev PM10. Podatki so bili pridobljeni s strani Agencije Republike Slovenije za okolje (ARSO). Zaznavanje anomalij v meritvah je ključno za zagotavljanje zanesljivih podatkov, saj lahko anomalije v podatkih kažejo na tehnične napake senzorjev oziroma kakšen drug izreden dogodek. V nalogi smo implementirali in primerjali tri različne modele strojnega učenja: XGBoost, LSTM samokodirnik in matrični profil. Med analiziranimi metodami se je najbolje izkazal model XGBoost, saj je uspešno zaznal največje število anomalij ter dosegel najvišje vrednosti metrik za ocenjevanje uspešnosti.20242024-09-05 15:50:06Diplomsko delo/naloga160941sl