Monitoraggio e predizione per la qualità dell’aria all’interno del veicolo

Il presente elaborato è una proposta di monitoraggio e predizione per la qualità dell'aria all'interno del veicolo. Precisamente si vuole effettuare una previsione delle concentrazioni dei singoli agenti inquinanti all'interno dell'automobile in grado di prevenire gli effetti dannosi che possono mettere in pericolo il conducente durante la guida e aumentare la sicurezza stradale. L'elaborato di tesi si pone anche come obbiettivo di essere utile al progetto europeo NextPercepetion e di utilizzare per lo svolgimento di questa proposta delle registrazioni effettuate dal progetto Canarin, creato con lo scopo di mettere a disposizione uno strumento per valutare l’esposizione individuale al particolato in tempo reale e in relazione alla mobilità. L'innovazione che questo lavoro punta ad introdurre è quello di riuscire ad utilizzare gli algoritmi di regressione principalmente sulla base dei dati esterni. L'analisi dello stato dell'arte ha permesso di individuare quali sono gli algoritmi più performanti in grado di eseguire predizioni sulla qualità dell'aria. I risultati ottenuti evidenziano che è possibile predire la concentrazione dei singoli agenti inquinanti all'interno del veicolo con risultati molto soddisfacenti. I risultati migliori sono stati prodotti utilizzando random forest e XGBoost. Prendendo come esempio il particolato, uno degli inquinanti più incisivi e comunemente monitorati, random forest è riuscito a predire la concentrazione di questo inquinante con un MAE di 0.472, MSE pari a 0.530 e un coefficiente R^2 di 0.97.