Deep Learning Based Temperature and Humidity Prediction

Yıl 2023, , 219 - 229, 31.12.2023

Fatih Özen , Rana Ortaç Kabaoğlu , Tarık Veli Mumcu

https://doi.org/10.47112/neufmbd.2023.20

Öz

The temperature and humidity parameters of the weather influence various fields, including living conditions, agriculture, and transportation. Hence, accurately predicting the future values of these parameters is important. In this study, temperature and humidity forecasts were made using deep learning techniques, specifically LSTM algorithms, through a model system created for the Süleymanpaşa district of Tekirdağ province. Temperature and humidity datasets were obtained from the Meteorology Provincial Directorate and integrated with data from multiple sensors to mitigate errors caused by noise in single-sensor data. Temperature and humidity data from the Tekirdağ Meteorology Provincial Directorate between 2015 and 2021 were merged with the 2020 temperature and humidity data obtained from the model system to create a fused dataset. Using this dataset, temperature and humidity data for the year 2022 were predicted using deep learning algorithms. Long Short-Term Memory (LSTM) algorithms were utilized for sequentially ordered data over time. The predicted data were then compared with actual data from the Tekirdağ Meteorology Provincial Directorate for the year 2022. The success metrics for these predictions were calculated as RMSE of 1.895, MSE of 3.547, an R-squared score of 0.952, and an MAE of 1.614. The results suggest that this algorithm can be employed for sequentially ordered data over time. The model system developed is based on PLC and SCADA technology.

Anahtar Kelimeler

Sensor Fusion, LSTM, Temperature and Humidity Prediction, PLC, SCADA

Derin Öğrenme Tabanlı Sıcaklık ve Nem Tahmini

Öz

Havanın sıcaklık ve nem parametreleri canlı yaşamı başta olmak üzere tarım, ulaşım gibi birçok alanı etkilemektedir. Bu sebepten dolayı bu parametrelerin gelecekteki değerlerini doğru tahmin etmek önemlidir. Bu çalışmada, Tekirdağ ili Süleymanpaşa ilçesi için oluşturulan model sistem üzerinden ve Meteoroloji İl Müdürlüğünden alınan sıcaklık ve nem veri setleri kullanılarak, derin öğrenme tekniklerinden LSTM algoritmaları ile sıcaklık ve nem tahmini yapılmıştır. Tek sensör üzerinden alınan verilerde gürültü kaynaklı hatalardan dolayı çoklu sensörlerden gelen veriler birleştirilerek veri seti oluşturulmuştur. 2015-2021 yılları arasındaki Tekirdağ Meteoroloji İl Müdürlüğünden alınmış sıcaklık ve nem verileri, oluşturulan model sistem üzerinden alınan 2020 yılına ait sıcaklık ve nem verileri ile sensör füzyonu uygulanarak veri seti elde edilmiştir. Bu veri seti ile 2022 yılına ait sıcaklık ve nem verileri derin öğrenme algoritmaları ile tahmin edilmiştir. Zamana göre sıralı olarak gelen veriler için derin öğrenme algoritmalarından Long Short Term Memories (LSTM) kullanılmıştır. Tahmin edilen veriler yine Tekirdağ Meteoroloji İl Müdürlüğünden alınan 2022 yılına ait gerçek veriler ile karşılaştırılmıştır. Bu tahminde başarı ölçütleri olarak RMSE 1.895, MSE 3.547, R-kare skoru değerinin 0.952 ve MAE 1,614 olarak hesaplanmıştır. Zamana göreli sıralı biçimde gelen verilerde bu algoritmanın kullanılabileceği görülmüştür. Oluşturulan model sistem PLC ve SCADA tabanlıdır.

Anahtar Kelimeler

Sensör Füzyonu, LSTM, Sıcaklık ve Nem Tahmini, PLC, SCADA

Kaynakça

• I. Gupta, H. Mittal, D. Rikhari, A. K. Singh, Mlrm: A multiple linear regression based model for average temperature prediction of a day, arXiv preprint arXiv:2203.05835. (2022). doi:10.48550/arXiv.2203.05835
• Z. Ouyang, J. Cui, X. Dong, Y. Li, J. Niu, SaccadeFork: A lightweight multi-sensor fusion-based target detector, Information Fusion. 77 (2022), 172-183. doi:10.1016/j.inffus.2021.07.004
• M. Andronie, G. Lăzăroiu, M. Iatagan, I. Hurloiu, R. Ștefănescu, A. Dijmărescu, I. Dijmărescu, Big Data Management Algorithms, Deep Learning-Based Object Detection Technologies, and Geospatial Simulation and Sensor Fusion Tools in the Internet of Robotic Things, ISPRS International Journal of Geo-Information. 12(2) (2023), 35. doi: 10.3390/ijgi12020035
• X. Chen, T. Zhang, Y. Wang, Y. Wang, H. Zhao, Futr3d: A unified sensor fusion framework for 3d detection, In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (2023), 172-181.
• M. Wang, X. Wang, L. T. Yang, X. Deng, L. Yi, Multi-sensor fusion based intelligent sensor relocation for health and safety monitoring in BSNs. Information Fusion. 54 (2020), 61-71. doi:10.1016/j.inffus.2019.07.002
• H. Orhan, Y. Emrehan, Artificial intelligence-assisted detection model for melanoma diagnosis using deep learning techniques, Mathematical Modelling and Numerical Simulation with Applications. 3(2) (2023), 159-169. doi:10.53391/mmnsa.1311943
• Ö. Arslan, K. Mustafa, Effect of Hilbert-Huang transform on classification of PCG signals using machine learning, Journal of King Saud University-Computer and Information Sciences. 34(10) (2022), 9915-9925. doi:10.1016/j.jksuci.2021.12.019
• S. Yetkin, G. O. Koca, Esnek robotların tasarım, kontrol ve imalat çalışmalar, International Journal of Engineering Research and Development. 13(1) (2021), 74-86. doi:10.29137/umagd.706041
• A. A. SÜZEN, Z. Yildiz, T. Yilmaz, LSTM tabanlı Derin Sinir Ağı ile Ayak Taban Basınç Verilerinden VKİ Durumlarının Sınıflandırılması, Bitlis Eren Üniversitesi Fen Bilimleri Dergisi. 8(4) (2019), 1392-1398. doi:10.17798/bitlisfen.540273
• W. Zha, Y. Liu, Y. Wan, R. Luo, D. Li, S. Yang, Y. Xu, Forecasting monthly gas field production based on the CNN-LSTM model, Energy. (2022), 124889. doi:10.1016/j.energy.2022.124889
• J. Hou, Y. Wang, J. Zhou, Q. Tian, Prediction of hourly air temperature based on CNN–LSTM. Geomatics, Natural Hazards and Risk, 13(1) (2022), 1962-1986. doi:10.1080/19475705.2022.2102942
• M. A. Karabulut, E. Topçu, Derin öğrenme tekniği kullanilarak kars ilinin hava sicaklik tahmini, Mühendislik Bilimleri ve Tasarım Dergisi. 10(4) (2022), 1174-1181. doi:10.21923/jesd.1067700
• M. A. Şimşek, F. Özen, Realization of A Building Automation System Using PLC And SCADA, International Journal of Engineering and Innovative Research. 1(1) (2019), 28-34
• A. F. Yazi, F. Ö. Çatak, E. Gül, Classification of methamorphic malware with deep learning (LSTM), 2019 27th signal processing and communications applications conference (SIU). IEEE, 2019, doi:10.1109/SIU.2019.8806571
• A. Altan, Aytaç, S. Karasu, Ayrıştırma yöntemlerinin derin öğrenme algoritması ile tanımlanan rüzgâr hızı tahmin modeli başarımına etkisinin incelenmesi, Avrupa Bilim ve Teknoloji Dergisi. 20 (2020), 844-853. doi:10.31590/ejosat.785699
• F. Akalın, N. Yumuşak, LSTM sinir ağı yaklaşımı kullanılarak mikrodizi veri kümesi üzerinde ALL, AML ve MLL lösemi türlerinin sınıflandırılması, Journal of the Faculty of Engineering & Architecture of Gazi University/Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 38(3) (2023), doi: 10.17341/gazimmfd.1064693
• F. Hafeez, U. U. Sheikh, A. Khidrani, M. A. Bhayo, S. M. A. Altbawi, T. A. Jumani, T. A, Distant temperature and humidity monitoring: prediction and measurement, Indonesian Journal of Electrical Engineering and Computer Science. 24(3), (2021), 1405-1413. doi: 10.11591/ijeecs.v24.i3.pp1405-1413
• O. M. Katipoğlu, A. C. A. R. Reşat, Estimation of missing temperature data by Artificial Neural Network (ANN), Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi. 12(2) (2021), 431-438. doi:10.24012/dumf.852821
• B. A. Kocalmış, M. C. Kabak, Taşlama makinalarında PLC kullanılarak otomatik taşlama uygulaması, Avrupa Bilim Ve Teknoloji Dergisi. (24) (2021), 247-251.
• M. Məmmədli, Məryəm, R. O. Kabaoğlu, Simultaneous Monitoring and Control of Automation Systems with SCADA Based PLC, Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi. 8(1) (2021), 336-344. doi:10.35193/bseufbd.899424
• L. Hao, S. Liang, J. Ye, Z. Xu, Z., TensorD: A tensor decomposition library in TensorFlow, Neurocomputing. 318 (2018), 196-200. doi:10.1016/j.neucom.2018.08.055
• T. O. Hodson, Root-mean-square error (RMSE) or mean absolute error (MAE): When to use them or not, Geoscientific Model Development. 15(14) (2022), 5481-5487. doi:10.5194/gmd-15-5481-2022
• B. O. Adame, A. O. Salau, Genetic algorithm based optimum finger selection for adaptive minimum mean square error rake receivers discrete sequence-CDMA ultra-wide band systems, Wireless Personal Communications. 123(2) (2022), 1537-1551. doi:10.1007/s11277-021-09199-0
• M. J. Campbell, R. M. Jacques, Statistics at square two. John Wiley & Sons, 2023.
• Z. Islam, M. Abdel-Aty, N. Mahmoud, Using CNN-LSTM to predict signal phasing and timing aided by High-Resolution detector data. Transportation research part C: emerging technologies. 141 (2022), 103742. doi:10.1016/j.trc.2022.103742