Применение модели ARIMA для обнаружения аномалий в рядах активности двустворчатых моллюсков

от

Е.В. Вышкваркова, А.Н. Греков, А.С. Маврин, В.В. Трусевич

 Институт природно-технических систем, РФ, г. Севастополь, ул. Ленина, 28

E—mail: aveiro_7@mail.ru

DOI: 10.33075/2220-5861-2023-3-141-147

УДК 004.89; 519.246.8                          

EDN: https://elibrary.ru/wqyfbc                                                                                                        

Реферат: 

Использование двустворчатых моллюсков в качестве биоиндикаторов в системах автоматизированного мониторинга водной среды позволяет в режиме реального времени обнаружить чрезвычайную ситуацию, связанную с загрязнением водной среды. Применение алгоритмов машинного обучения позволяет быстро обнаружить аномалию для последующего формирования сигнала тревоги. В настоящей работе применена модель ARIMA с сезонной составляющей для прогнозирования данных активности моллюсков и обнаружения аномалий. В работе использованы данные активности (величина раскрытия створок) пресноводных моллюсков Unio pictorum (Linnaeus, 1758) за период с 26 февраля по 24 апреля 2017 г. Данные получены разработанным авторами комплексом автоматизированного биомониторинга водной среды, который был установлен на гидроузле № 14 р. Черная.  Проведен выбор оптимальных параметров модели ARIMA, а для оценки качества модели рассчитаны показатели (ошибки) RMSE и MAPE. Наименьшие ошибки RMSE (0,130064) и MAPE (0,023506%) были получены для модели ARIMA порядка (p, d, q) = (0, 1, 1) и сезонного порядка season_order (P, D, Q, m) = (1, 1, 1). На примере синхронной реакции моллюсков на стрессовую ситуацию 24 апреля 2017 года показан результат прогнозирования активности моллюсков, во время аномального случая фактическое значение нашей переменной значительно отклонилось от прогнозируемого значения. Более того, это отклонение превысило 95% доверительный интервал прогноза модели. Результаты показали возможность использования модели ARIMA с сезонной составляющей для обнаружения аномалии, что позволяет в будущем интегрировать разработанный алгоритмический подход в программное обеспечение биологических систем раннего обнаружения.

Ключевые слова: аномалии, биомониторинг, прогноз, ARIMA.

Для цитирования: Вышкваркова Е.В., Греков А.Н., Маврин А.С., Трусевич В.В. Применение модели ARIMA для обнаружения аномалий в рядах активности двустворчатых моллюсков // Системы контроля окружающей среды. 2023. Вып. 3 (53). C. 141-147. DOI: 10.33075/2220-5861-2023-3-141-147

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Borcherding J. Ten years of practical experience with the Dreissena-Monitor, a biological early warning system for continuous water quality monitoring // Hydrobiologia. 2006. 556. P. 417–426.
  2. Dvoretsky A.G., Dvoretsky V.G. Shellfish as Biosensors in Online Monitoring of Aquatic Ecosystems: A Review of Russian Studies // Fishes. 8. 102.
  3. Gnyubkin V.F. An early warning system for aquatic environment state monitoring based on an analysis of mussel valve movement // Russ. J. Mar. Biol. 2009. 35. P. 431–436.
  4. Kholodkevich S.V., Ivanov A.V., Kurakin A.S., Kornienko E.L., Fedotov V.P. Real time biomonitoring of surface water toxicity level at water supply stations // J. Environ. Bioindic. 2008. 3. P. 23–34.
  5. Kane A.S., Salierno J.D., Gipson G.T., Molteno T.C.A., Hunter C. A video-based movement analysis system to quantify behavioral stress responses of fish // Water Res. 2004. 38. P. 3993–4001.
  6. Koch C.W., Cooper L.W., Lalande C., Brown T.A., Frey K.E., Grebmeier J.M. Seasonal and latitudinal variations in sea ice algae deposition in the Northern Bering and Chukchi Seas determined by algal biomarkers // PLoS ONE. 2020. 15(4). e0231178.
  7. Трусевич В.В., Гайский П.В., Кузьмин К.А. Автоматизированный биомониторинг водной среды с использованием реакций двустворчатых моллюсков // Морской гидрофизический журнал. 2010. № С. 75–83.
  8. Grekov A.N., Kuzmin K.A., Mishurov V.Z. Automated early warning system for water environment based on behavioral reactions of bivalves. 2019 International Russian Automation Conference (RusAutoCon) IEEE. 2019. P. 1–5.
  9. Box G.E., Jenkins G.M. Time series analysis: forecasting and control, revised ed: Holden-Day. 1976. P. 575.
  10. Chen Q., Guan T., Yun L., Li R., Recknage F. Online forecasting chlorophyll a concentrations by an auto-regressive integrated moving average model: Feasibilities and potentials // Harmful Algae. 2015. 43. P. 58–65.
  11. Katimon A., Shahid S., Mohsenipour M. Modeling water quality and hydrological variables using ARIMA: a case study of Johor River, Malaysia. Sustain // Water Resour. Manag. 2018. 4. P. 991–998.
  12. Kumar U., Jain V.K. ARIMA forecasting of ambient air pollutants (O3, NO, NO2 and CO) // Stochastic Environmental Research and Risk Assessment. 2009. 24 (5). P. 751–760.
  13. Siami-Namini S., Tavakoli N., Namin A.S. A comparison of ARIMA and LSTM in forecasting time series. In international conference on machine learning and applications (ICMLA) // IEEE. 2018. P. 1394–1401.
  14. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Müller A., Nothman J., Louppe G., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay É. Scikit-learn: machine learning in python // J. Mach. Learn. Res. 2011. 12. P. 2825–2830.
  15. Skipper S., Perktold J. Statsmodels: Econometric and statistical modeling with python. In Proceedings of the 9th Python in Science Conference. 2010. P. 92–96.
  16. Трусевич В.В., Кузьмин К.А., Мишуров В.Ж., Журавский В.Ю., Вышкваркова Е.В. Особенности поведенческих реакций черноморской мидии Mytilus galloprovicialis в естественных условиях обитания // Биология внутренних вод. 2021. № 1. С. 12–22.
  17. Grekov A.N., Kabanov A.A., Vyshkvarkova E.V., Trusevich V.V. Anomaly Detection in Biological Early Warning Systems Using Unsupervised Machine Learning // 2023. № 23. P. 2687.

Loading