Система за мониторинг и прогнозиране на качеството на въздуха | Защитена на: 01/01/1900
Тази дипломна работа има за цел създаването на система за наблюдение и прогнозиране на качеството на въздуха, включваща достъпни сензорни устройства и алгоритми за машинно обучение. Темата е важна, защото замърсяването на въздуха е сериозен проблем, който влияе на здравето и околната среда, а наличието на лесна за използване и достъпна система би помогнало както на гражданите, така и на институциите да взимат информирани решения. Разработеното решение комбинира събиране на данни в реално време със средства за предвиждане на бъдещи стойности на замърсяване.
Въпреки съществуването на редица платформи с подобна насоченост, продължават да съществуват значими предизвикателства. Сред тях се открояват ограничената точност на нискобюджетните сензори, ограничена способност за персонализиране спрямо регионалните особености, слабата интеграция между различни системи и недостатъчното използване на интелигентни системи за прогнозиране. Тези ограничения очертават ясна нужда от гъвкаво, достъпно и технологично надградимо решение.
В отговор на горепосочените предизвикателства, в рамките на дипломната работа е извършен сравнителен анализ на осем съществуващи платформи за мониторинг на въздушното замърсяване, базиран на осем обективни критерия. Разработена е иновативна система, която обединява хардуерни и софтуерни компоненти в единна архитектура. Изградени са модули за извличане, структуриране и предварителна обработка на сензорни данни, както и за обучение и прилагане на модели за прогнозиране. Допълнително, е разработен потребителски интерфейс за визуализация на резултатите, придружен от функционален и нефункционален анализ на системата, с оглед постигане на надеждност, сигурност и добро потребителско изживяване.
Техническата реализация включва използване на сензори MQ-2, MQ-135 и Sharp GP2Y1010AU0F, интегрирани чрез микрокомпютъра Raspberry Pi. Събраните данни се съхраняват в InfluxDB като хронологични данни, подлежат на трансформации и агрегации, и се използват като вход за различни модели за машинно обучение. Прилагани са техники като анализ на главни компоненти (PCA), опорни векторни машини (SVM), линейна регресия и рекурентни невронни мрежи (RNN), с цел повишаване на точността при прогнозиране на замърсяването. Софтуерната архитектура е изградена с помощта на React за клиентската част, Express и Flask за сървърна логика и REST API, като системата е преминала успешно през интеграционно и функционално тестване в контролирана и реална среда. Постигнатите резултати демонстрират ефективност и приложимост на разработеното решение, като се очертават възможности за бъдещо разширяване и интеграция с външни платформи и източници на данни.