Η πρόβλεψη της ποιότητας του αέρα είναι ένα δύσκολο πρόβλημα λόγω της δυναμικής φύσης, της αστάθειας και της μεγάλης μεταβλητότητας στο χρόνο και στο χώρο των ρύπων και των σωματιδίων. Ταυτόχρονα, η ικανότητα μοντελοποίησης, πρόβλεψης και παρακολούθησης της ποιότητας του αέρα αποκτά ολοένα και μεγαλύτερη σημασία, ιδίως στις αστικές περιοχές, λόγω των παρατηρούμενων κρίσιμων επιπτώσεων της ατμοσφαιρικής ρύπανσης στην υγεία των πολιτών στο περιβάλλον και την οικονομία, οπότε είναι σημαντική η πρόβλεψη της ποιότητας του αέρα. Για τον σκοπό αυτό, θα πρέπει να εφαρμοστούν νέες τεχνικές μηχανικής μάθησης. Στην εργασία παρουσιάζουμε διάφορους αλγορίθμους μηχανικής μάθησης που χρησιμοποιούνται για την πρόβλεψη της ποιότητας του αέρα. Με βάση την έρευνα στον τομέα, προτείνουμε στατιστικά(ARMA- FFT -Theta), μοντέλα παλινδρόμησης και βαθιάς μάθησης(LSTM-CNN-MLP), τα οποία μπορούν να χρησιμοποιηθούν για την πρόβλεψη της ατμοσφαιρικής ρύπανσης, και του δείκτη ποιότητας του αέρα . Αυτοί οι αλγόριθμοι έχουν δοκιμαστεί χρησιμοποιώντας χρονοσειρές για σωματίδια PM10, PM2.5 και AQI(δείκτης ποιότητας αέρα). Τα αποτελέσματα έδειξαν ότι οι αλγόριθμοι ARIMA και SVM έχουν την καλύτερη απόδοση στην πρόβλεψη των συγκεντρώσεων των ατμοσφαιρικών ρύπων που μελετήθηκαν (PM2.5, PM10), ενώ τα μοντέλα βαθιάς μάθησης(LSTM) παρουσιάζουν καλύτερη απόδοση για τον δείκτη ποιότητας του αέρα.

Predicting air quality is a difficult problem because of the dynamic nature, instability and high variability in time and space of pollutants and particles. At the same time, the ability to model, predict and monitor air quality is becoming increasingly important, especially in urban areas, due to the observed critical impacts of air pollution on citizens' health in the environment and the economy, so air quality prediction is important. To this end, new machine learning techniques should be applied. In this paper, we present several machine learning algorithms used for air quality prediction. Based on the research in the field, we propose statistical(ARMA- FFT -Theta), regression and deep learning models(LSTM-CNN-MLP), which can be used to predict air pollution, and air quality index . These algorithms have been tested using time series for PM10, PM2.5 and AQI (air quality index) particles. The results showed that Arima and SVM algorithms have the best performance in predicting the concentrations of the studied air pollutants (PM2.5, PM10), while the deep learning(LSTM) models show better performance for air quality index.