Page 63 - Vol.47

與實際情況相符，風速/penthouse/MAU出口分別代表著外
氣條件及迴風路徑上下游的關係，因此關聯性相較其他參數
群大(MAPE相對小)。而其他MAPE大於35.00%的參數群包含
了MAU導電度，推測因其排補水控制邏輯為望目，且丙酮(極
性有機化合物)對於MAU無法貢獻導電度，因此多加入此參數
後MAPE%的表現較差，也可得到資料群須針對其特性適當篩
選以保持資料乾淨度。最後，在包含煙囪的參數群(1/8/10/11)
裡，extra tree regressor的MAPE表現亦為最佳(33-40%)，代
表能有效的將MAU出口(target)和汙染源相關性連接，因此將
extra tree regressor設定為預測訓練模型。 圖14、AMC預測及成因分析GUI

4.2 預測結果及汙染成因分析

將更多相關參數匯入後(137參數tag)，RMSE/MAPE有
大幅度的進步，如 圖13，RMSE由2.17降至1.17(整體46%降
低)，MAPE由29.37%降至12.27%，顯示出將具有相關性的資
料規模擴增，是有助於預測準確度的增進。而濃度預測以及
汙染成因分析的GUI如 圖14所示，上半部的為預測MAU112
出口(主要供給區域為BS-1)在未來24小時的丙酮濃度(單位
3
ug/m )，下半部為汙染源成因分析，將經由SHAP計算過的
參數依權重列出前三名。9/18/2021的預測結果顯示現在/12
小時後/24小時後數值分別為8.300/9.376/6.292，實際值分
為8.300/9.000/7.800，如 圖15所示，趨勢類似，但數值仍有
誤差(+12小時 : +4.2% ; +24小時 : -19.3%)，可能的原因推測
[07]
為時間區間仍不足，相較於股價預測文獻 蒐集十年的資料 圖15、AMC+12/24h預測值與實際趨勢圖
量，一年多的資料量相對不足，加上季節效應，需要數年的
資料讓模型學習不同大氣條件下的AMC模式。成因分析部
5. 結論與未來展望
分，前三大影響參數分別為大氣壓力、AEX101丙酮出口濃度
及VOC06 T01溫度，比對與MAU出口相關性，大氣壓力和 本研究將資料來源經過篩選前處理(共137tag)，並使用extra
VOC06T01較無明顯對應趨勢，而實際上大氣壓力應與MAU tree regressor進行AMC濃度預測模型訓練，得到RMSE為1.17，
出口丙酮濃度呈相反趨勢(秋夏季氣流沉降擴散條件差，冬 MAPE為12.27%，並利用此模型幫助AMC防禦，alarm rate由2020
季東北季風強勁擴散條件佳)。而AEX101位於MAU112鄰進位 年1.088%降至0.582%，顯示是具有效益的模型，但有以下三個面
置，在57%以上時間風速小於1公尺/秒條件下排放丙酮將可能 向須更加精進，第一，相比成熟的機器學習預測資料時間區間短
被吸回penthouse，因此分析與結果相符。 在經由AMC預測 (股價預測約需10年以上資料 [07][11] )，加上AMC季節效應，仍需更
提供預警功能，幫助提早進行防禦並改善汙染源(例 : Salix bio 多時間讓模型成熟。第二，汙染源成因分析須將對象參數篩選處
生物系統風管AEX改至VEX)，在alarm rate部分2020年與2021 理，如 圖16所示，先決定外氣條件再判斷貢獻汙染煙囪來源，
年相比，由1.088%(1491/137015)降至0.582%(1563/268358)， 最後再判斷煙囪上游相關參數，對於極限樹模型而言，亦能夠
46.5%幅度的降低。 根據實際迴風路徑上下游關係，建出接近現實邏輯的隨機樹排
列。最後，可加入其他MAU以及compound預測及分析，由不同
compound的煙囪排放濃度判斷當下大氣條件影響的範圍，更可
以鄰近MAU交叉比對，增進精準度。展望未來，若能將以上提
及面相改善，搭配現有自動預警信件發送，將有效減輕人力物資
的使用並進一步運轉成本。
圖13、參數完整化前後RMSE/MAPE比較

FACILITY JOURNAL 09 2022 61