Аннотация:

В данном исследовании проверялась возможность прогнозирования уровня загрязнения воздуха мелкодисперсными частицами (PM2.5) в Алматы с упреждением в 24 часа. На основе данных, полученных с датчиков (с почасовой фиксацией за семь месяцев), сравнивались три базовых метода и три модели машинного обучения (Ridge, Random Forest, XGBoost). Простой метод 24-часового скользящего среднего оказался точнее всех моделей машинного обучения: из-за сезонных различий между данными, использованными для обучения (зима), и данными для тестирования (лето), более сложные модели систематически завышали прогнозы. Практический вывод: сложность модели не гарантирует более точных прогнозов.