{"id":{"repo_id":"debrecen","oai_identifier":"oai:dea.lib.unideb.hu:2437/394792"},"canonical_url":"https://search.dev.ndltd.org/etd/debrecen/oai:dea.lib.unideb.hu:2437/394792","repository":{"repo_id":"debrecen","name":"University of Debrecen","base_url":"https://dea.lib.unideb.hu/server/oai/request"},"display":{"title":"Szálló por vizsgálata az időjárás függvényében","abstract":"Ez a dolgozat egy Big Data alapú PM10-előrejelző rendszer fejlesztését mutatja be Debrecen városára fókuszálva. A rendszer valós idejű szenzor- és meteorológiai adatok integrálásával, elosztott Spark-környezetben történő adatfeldolgozással és gépi tanulási modellek alkalmazásával generál előrejelzéseket. A Bronze–Silver–Gold rétegekbe szervezett adatmenedzsment biztosítja a skálázhatóságot és az adatok megbízhatóságát. A modell Hyperopt segítségével hangolt Gradient Boosted Trees regressziót használ, amely 24 órás előrejelzésre RMSE=5,3 µg/m³ és MAE=3,9 µg/m³ pontosságot ér el. A jellemzőfontosság-analízis kiemeli a relatív páratartalom és a légnyomás változásának jelentőségét a szennyezőanyag-koncentráció alakulásában. Szezonális vizsgálatok alapján a téli stabil időjárási viszonyok javítják az előrejelzés megbízhatóságát.","abstract_html":"Ez a dolgozat egy Big Data alapú PM10-előrejelző rendszer fejlesztését mutatja be Debrecen városára fókuszálva. A rendszer valós idejű szenzor- és meteorológiai adatok integrálásával, elosztott Spark-környezetben történő adatfeldolgozással és gépi tanulási modellek alkalmazásával generál előrejelzéseket. A Bronze–Silver–Gold rétegekbe szervezett adatmenedzsment biztosítja a skálázhatóságot és az adatok megbízhatóságát. A modell Hyperopt segítségével hangolt Gradient Boosted Trees regressziót használ, amely 24 órás előrejelzésre RMSE=5,3 µg/m³ és MAE=3,9 µg/m³ pontosságot ér el. A jellemzőfontosság-analízis kiemeli a relatív páratartalom és a légnyomás változásának jelentőségét a szennyezőanyag-koncentráció alakulásában. Szezonális vizsgálatok alapján a téli stabil időjárási viszonyok javítják az előrejelzés megbízhatóságát.","abstract_has_math":false,"creators":["Pap, Bence"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":"DE--Informatikai Kar","school":null,"contributors":[],"advisors":["Ujvári, Balázs"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-27T19:13:44Z","subjects":["PM, időjárás, elemzés, ML"],"languages":["hu"],"rights":[],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://hdl.handle.net/2437/394792","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Ujvári, Balázs"]},{"key":"dc:contributor.department","label":"Department","values":["DE--Informatikai Kar"]},{"key":"dc:creator","label":"Author","values":["Pap, Bence"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2025-06-26T21:03:04Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2025-06-26T21:03:04Z"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["PM, időjárás, elemzés, ML"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["hu"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/2437/394792"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Ez a dolgozat egy Big Data alapú PM10-előrejelző rendszer fejlesztését mutatja be Debrecen városára fókuszálva. A rendszer valós idejű szenzor- és meteorológiai adatok integrálásával, elosztott Spark-környezetben történő adatfeldolgozással és gépi tanulási modellek alkalmazásával generál előrejelzéseket. A Bronze–Silver–Gold rétegekbe szervezett adatmenedzsment biztosítja a skálázhatóságot és az adatok megbízhatóságát. A modell Hyperopt segítségével hangolt Gradient Boosted Trees regressziót használ, amely 24 órás előrejelzésre RMSE=5,3 µg/m³ és MAE=3,9 µg/m³ pontosságot ér el. A jellemzőfontosság-analízis kiemeli a relatív páratartalom és a légnyomás változásának jelentőségét a szennyezőanyag-koncentráció alakulásában. Szezonális vizsgálatok alapján a téli stabil időjárási viszonyok javítják az előrejelzés megbízhatóságát."]},{"key":"dc:description.degree","label":"Dc Description Degree","values":["BSc/BA"]},{"key":"dc:title","label":"Title","values":["Szálló por vizsgálata az időjárás függvényében"]}]}],"canonical_facts":{"dc:contributor.advisor":["Ujvári, Balázs"],"dc:contributor.department":["DE--Informatikai Kar"],"dc:creator":["Pap, Bence"],"dc:date.accessioned":["2025-06-26T21:03:04Z"],"dc:date.available":["2025-06-26T21:03:04Z"],"dc:description.abstract":["Ez a dolgozat egy Big Data alapú PM10-előrejelző rendszer fejlesztését mutatja be Debrecen városára fókuszálva. A rendszer valós idejű szenzor- és meteorológiai adatok integrálásával, elosztott Spark-környezetben történő adatfeldolgozással és gépi tanulási modellek alkalmazásával generál előrejelzéseket. A Bronze–Silver–Gold rétegekbe szervezett adatmenedzsment biztosítja a skálázhatóságot és az adatok megbízhatóságát. A modell Hyperopt segítségével hangolt Gradient Boosted Trees regressziót használ, amely 24 órás előrejelzésre RMSE=5,3 µg/m³ és MAE=3,9 µg/m³ pontosságot ér el. A jellemzőfontosság-analízis kiemeli a relatív páratartalom és a légnyomás változásának jelentőségét a szennyezőanyag-koncentráció alakulásában. Szezonális vizsgálatok alapján a téli stabil időjárási viszonyok javítják az előrejelzés megbízhatóságát."],"dc:description.degree":["BSc/BA"],"dc:identifier.uri":["https://hdl.handle.net/2437/394792"],"dc:language.iso":["hu"],"dc:subject":["PM, időjárás, elemzés, ML"],"dc:title":["Szálló por vizsgálata az időjárás függvényében"]},"updated_at":"2026-07-27T19:13:44Z"}