ระบบวิเคราะห์ค่ามลพิษทางอากาศร่วมกับจมูกอิเล็กทรอนิกส์

An air pollution prediction system with electronics nose

Name: สัมฤทธิ์ ตันติมงคลสกุล

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : s6207021857052@email.kmutnb.ac.th

Name: พยุง มีสัจ

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : phayung.m@itd.kmutnb.ac.th

keyword: จมูกอิเล็กทรอนิกส์

ThaSH: การวิเคราะห์การถดถอย

ThaSH: มลพิษทางอากาศ -- พยากรณ์

ThaSH: การวิเคราะห์การจำแนกประเภท

Abstract: งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาจมูกอิเล็กทรอนิกส์และพัฒนาระบบวิเคราะห์ข้อมูลสารมลพิษทางอากาศ โดยแบ่งงานวิจัยออกเป็น 2 ส่วน ดังนี้ ส่วนแรกเป็นการพัฒนาอุปกรณ์จมูกอเล็กทรอนิกส์ โดยใช้แก๊สเซนเซอร์ 6 ชนิด คือ CO, NO2, O3, SO2, PM10 และ PM2.5 โดยรับข้อมูลชนิด Analog มายัง Arduino และส่งข้อมูลต่อไปยัง Raspberry Pi ส่งข้อมูลผ่าน Web service เพื่อเก็บข้อมูลยังฐานข้อมูลบน Cloud ในส่วนที่ 2 จะเป็นการวิเคราะห์ข้อมูลสารมลพิษทางอากาศและพยากรณ์ค่าสารมลพิษทางอากาศใน 1 ชั่วโมงข้างหน้าจากการดำเนินการวิจัย ในการวิเคราะห์และพยากรณ์สารมลพิษ ผู้วิจัยทำการเปรียบเทียบอัลกอริทึมในการพยากรณ์ โดยทำการเปรียบเทียบ 5 อัลกอริทึม ได้แก่ Lasso, Ridge, Elastic Net, LSTM และ XGBoost ผลการวิจัยพบว่า ความสมบูรณ์ของข้อมูลค่าสารมลพิษมีผลกระทบต่อประสิทธิภาพของโมเดล ผู้วิจัยทำการการแบ่งข้อมูลเป็นชุดสอนและชุดทดสอบ โดยชุดสอนใช้ในการสร้างโมเดล และชุดทดสอบใช้ประเมินประสิทธิภาพโมเดล ผลการวิจัยพบว่าโมเดลที่มีค่าผิดพลาดต่ำสุดคือ LSTM

Abstract: This research aims to develop an electronic nose and a system that analyze air pollution data. We divided the research procedure into two parts: electronics nose development and air pollutant analysis and prediction. The electronics nose device is composed of six gas sensors, which are CO, NO2, O3, SO2, PM10, and PM2.5 sensors. It detects the air pollutants by receiving analog data to the Arduino Board and sends the data to the Raspberry Pi Board through the Web service to collect the data to the cloud database. The second part is the analysis of air pollutant data and the prediction of air pollutant values over the next one hour. In the experiments, the pollutant values were analyzed to select the data from the best data station. Then we performed the regression predictive machine learning technique to estimate the lost pollutant data. The predictive algorithms were compared by five algorithms including Lasso, Ridge, Elastic Net, LSTM, and XGBoost. Based on the result, the completeness of the data for each pollutant had a significant effect on the analysis. We divided the data into the training set and test set. The training data were used for model building and the test data were used for performance evaluation. It was found that the best model was LSTM.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2564

Modified: 2564-11-04

Issued: 2564-11-04

บทความ/Article

application/pdf

BibliograpyCitation : ใน มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยสารสนเทศและนวัตกรรมดิจิทัล. การประชุมวิชาการระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 17 (NCCIT 2021) (pp.536-541). กรุงเทพฯ : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	NCCIT 2021pp.536-541.pdf	617.49 KB	13	2025-06-19 14:28:36

ใช้เวลา

0.032329 วินาที