Big Data solutions for the forecast of PM2.5

A tétel rövid nézete
dc.contributor.advisorUjvári, Balázs
dc.contributor.authorYoshida, Yuu
dc.contributor.departmentDE--Informatikai Kar
dc.date.accessioned2026-02-12T20:44:42Z
dc.date.available2026-02-12T20:44:42Z
dc.date.created2025-04-17
dc.description.abstractThis thesis investigates the seasonal variation of PM2.5 concentrations in Debrecen, Hungary, and examines their relationship with meteorological factors. Using data from January and June 2024, the study analyzes correlations between PM2.5 and variables such as temperature, wind speed, and humidity. Principal Component Analysis (PCA) is applied to reduce dimensionality and extract key features from the data. These features are then used to train a Long Short-Term Memory (LSTM) neural network for forecasting PM2.5 levels. The model performs well in capturing winter trends but struggles with the low variability of summer data.
dc.description.courseProgramtervező informatikus
dc.description.degreeBSc/BA
dc.format.extent42
dc.identifier.urihttps://hdl.handle.net/2437/404555
dc.language.isoen
dc.rights.infoHozzáférhető a 2022 decemberi felsőoktatási törvénymódosítás értelmében.
dc.subjectPM2.5
dc.subjectAir Pollution
dc.subjectLSTM
dc.subject.dspaceInformatics
dc.titleBig Data solutions for the forecast of PM2.5
Fájlok
Eredeti köteg (ORIGINAL bundle)
Megjelenítve 1 - 1 (Összesen 1)
Nincs kép
Név:
thesis.pdf
Méret:
1.97 MB
Formátum:
Adobe Portable Document Format
Leírás:
thesis
Megjelenítés
Engedélyek köteg
Megjelenítve 1 - 1 (Összesen 1)
Nincs kép
Név:
license.txt
Méret:
1.95 KB
Formátum:
Item-specific license agreed upon to submission
Leírás:
Letöltés
Gyűjtemények
Theses (IK)