kaz44Вестник Университета Шакарима. Серия технические наукиBulletin of Shakarim University. Technical Sciences2788-79953006-0524«Шәкәрім университеті» КеАҚ10.53360/2788-7995-2026-1(21)-19kaz44-2159Research ArticleАВТОМАТИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ (ОРИГИНАЛЬНАЯ СТАТЬЯ)AUTOMATION AND INFORMATION TECHNOLOGY (ORIGINAL ARTICLE)МОНИТОРИНГ КАЧЕСТВА ВОЗДУХА В АВТОБУСАХ АЛМАТЫ С ИСПОЛЬЗОВАНИЕМ IOT-УСТРОЙСТВ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯAIR QUALITY MONITORING IN ALMATY BUSES USING IOT DEVICES AND MACHINE LEARNING METHODShttps://orcid.org/0000-0002-1596-561XМолдагуловаА. Н.MoldagulovaA. N.

Айман Николаевна Молдагулова – доцент, профессор-исследователь 

050013, г. Алматы, ул. Сатпаев 22

Aiman Nikolaevna Moldagulova – Associate Professor, Research Professor 

050013, Almaty, 22 Satpayev str.

a.moldagulova@satbayev.universityТұрмаханбетД. Н.TurmakhanbetD. N.

Динара Нұрланқызы Тұрмаханбет - студентка 4 курса бакалавриата 

050040, г. Алматы, пр. аль-Фараби, 71;050056, г. Алматы, ул. Кожедуба 3

Dinara Nurlankyzy Turmakhanbet – 4 th year Bachelor's student 

050040, Almaty, 71 Al-Farabi Avenue;050056, Almaty, 3 Kozheduba str.

turmahanbetdinara@gmail.comМауленбековМ. А.MaulenbekovM. A.

Марлен Амантайулы Мауленбеков – студент 4 курса бакалавриата 

050013, г. Алматы, ул. Сатпаев 22;050056, г. Алматы, ул. Кожедуба 3

Marlen Amantayuly Maulenbekov – 4 th year Bachelor's student 

050013, Almaty, 22 Satpayev str.;050056, Almaty, 3 Kozheduba str.

m.maulenbekov@stud.satbayev.universityhttps://orcid.org/0000-0002-4970-3095КальпееваЖ. Б.KalpeyevaZh. B.

Жулдыз Бейшеналиевна Кальпеева – PhD, доцент 

050013, г. Алматы, ул. Сатпаев 22

Zhuldyz Beishenalievna Kalpeyeva – Ph.D, Associate Professor 

050013, Almaty, 22 Satpayev str.

z.kalpeyeva@satbayev.universityhttps://orcid.org/0000-0002-8499-2101УскенбаеваР. К.UskenbayevaR. K.

Раиса Кабиевна Ускенбаева – доктор технических наук, профессор 

050013, г. Алматы, ул. Сатпаев 22

Raisa Kabievna Uskenbayeva – Doctor of Technical Sciences, Professor 

050013, Almaty, 22 Satpayev str.

r.k.uskenbayeva@satbayev.universityКазахский национальный технический исследовательский университет им. К.И. СатпаеваКазахстанSatbayev UniversityKazakhstanКазахский национальный университет имени аль-Фараби; ТОО «Kazakhstan R&D Solutions»КазахстанAl-Farabi Kazakh National University; LLP «Kazakhstan R&D Solutions»KazakhstanКазахский национальный технический исследовательский университет им. К.И. Сатпаева; ТОО «Kazakhstan R&D Solutions»КазахстанSatbayev University; LLP «Kazakhstan R&D Solutions»Kazakhstan20262505202611(21)179188Copyright © Молдагулова А.Н., Тұрмаханбет Д.Н., Мауленбеков М.А., Кальпеева Ж.Б., Ускенбаева Р.К., 20262026Молдагулова А.Н., Тұрмаханбет Д.Н., Мауленбеков М.А., Кальпеева Ж.Б., Ускенбаева Р.К.Moldagulova A.N., Turmakhanbet D.N., Maulenbekov M.A., Kalpeyeva Z.B., Uskenbayeva R.K.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tech.vestnik.shakarim.kz/jour/article/view/2159

Качество воздуха в общественном транспорте – важный фактор, напрямую влияющий на здоровье горожан, однако для Алматы эта проблема до настоящего времени оставалась недостаточно изученной. В данном исследовании проведён систематический мониторинг концентраций CO₂, PM₂.₅, PM₁₀, температуры и относительной влажности в автобусах на трёх ключевых транспортных коридорах города. Сбор данных осуществлялся с использованием мобильного IoT-устройства собственной разработки «Tynys», откалиброванного по коммерческому эталонному датчику, что обеспечило высокую достоверность полученных измерений. Особое внимание было уделено сравнению условий в часы пик и вне их, что позволило выявить закономерности изменения параметров воздуха при различной загрузке транспорта. Анализ показал, что в утренние часы пик концентрации CO₂ и мелкодисперсных частиц значительно превышают уровни межпиковых периодов, что подтверждает ключевую роль пассажиропотока в формировании качества воздуха в салоне. Дополнительно с применением методов машинного обучения было установлено, что именно CO₂ и PM₂.₅ являются наиболее информативными индикаторами загрязнённости, позволяющими надёжно классифицировать периоды с высокой нагрузкой. Полученные результаты восполняют существующий научный пробел в исследованиях качества воздуха в общественном транспорте региона Центральной Азии и формируют базу для последующих работ, направленных на модернизацию вентиляционных систем, оптимизацию пассажиропотоков и внедрение интеллектуальных технологий мониторинга микроклимата в автобусах

Air quality in public transport is a critical factor directly affecting urban health, yet for Almaty this issue has remained understudied until now. In this study, a systematic monitoring of CO₂, PM₂.₅, PM₁₀, temperature, and relative humidity concentrations was conducted in buses across three key transport corridors of the city. Data collection was carried out using a mobile IoT device of our own design, «Tynys», calibrated against a commercial reference sensor to ensure high measurement reliability. Special attention was paid to comparing peak and off-peak hours, which allowed us to identify patterns of air quality changes under varying passenger loads. The analysis showed that during morning peak hours, CO₂ and fine particulate matter concentrations significantly exceeded off-peak levels, confirming the key role of passenger flow in shaping in-vehicle air quality. Additionally, by applying machine learning methods, it was established that CO₂ and PM₂.₅ are the most informative indicators of pollution, enabling reliable classification of high-load periods. The obtained results fill an existing research gap in studies of air quality in public transport in Central Asia and provide a basis for further work aimed at modernizing ventilation systems, optimizing passenger flows, and implementing intelligent microclimate monitoring technologies in buses.

общественный транспорткачество воздухаCO₂PM₂.₅PM₁₀IoTустройствомашинное обучениевентиляцияпассажиропотокмикроклиматинтеллектуальный транспортpublic transportair qualityCO₂PM₂.₅PM₁₀IoT devicemachine learningventilationpassenger flowmicroclimateintelligent transportДанное исследование финансируется Комитетом науки Министерства науки и высшего образования Республики Казахстан (Грант ИРН BR24993051).ReferencesSystematic Review of Indoor Environmental Quality in Passenger Transport Vehicles of Tropical and Subtropical Regions / J.O. Ogundiran et al // Atmosphere. – 2025. – № 16. – Р. 140. https://www.researchgate.net/publication/388417443_A_Systematic_Review_of_Indoor_Environmental_Quality_in_Passenger_Transport_Vehicles_of_Tropical_and_Subtropical_Regions.Systematic Review of Indoor Environmental Quality in Passenger Transport Vehicles of Tropical and Subtropical Regions / J.O. Ogundiran et al // Atmosphere. – 2025. – № 16. – Р. 140. https://www.researchgate.net/publication/388417443_A_Systematic_Review_of_Indoor_Environmental_Quality_in_Passenger_Transport_Vehicles_of_Tropical_and_Subtropical_Regions.Environmental Monitoring in Bus Transportation Using a Developed Measurement System / A. Todorov et al // Urban Sci. – 2023. – № 7. – Р. 90. https://doi.org/10.3390/urbansci7030090.Environmental Monitoring in Bus Transportation Using a Developed Measurement System / A. Todorov et al // Urban Sci. – 2023. – № 7. – Р. 90. https://doi.org/10.3390/urbansci7030090.Review of Scientific Technology-Based Solutions for Vehicular Pollution Control. Clean Technol / S. Gulia et al // Environ. Policy. – 2020. – № 22. – Р. 1955-1966. https://doi.org/10.1007/s10098-020-01952-6.Review of Scientific Technology-Based Solutions for Vehicular Pollution Control. Clean Technol / S. Gulia et al // Environ. Policy. – 2020. – № 22. – Р. 1955-1966. https://doi.org/10.1007/s10098-020-01952-6.Prototype of Monitoring Transportation Pollution Spikes through the Internet of Things Edge Networks / E. Nizeyimana et al // Sensors. – 2023. – № 23. – Р. 8941. https://doi.org/10.3390/s23218941.Prototype of Monitoring Transportation Pollution Spikes through the Internet of Things Edge Networks / E. Nizeyimana et al // Sensors. – 2023. – № 23. – Р. 8941. https://doi.org/10.3390/s23218941.Wang Y.-C. Efficient Data Gathering and Estimation for Metropolitan Air Quality Monitoring by Using Vehicular Sensor Networks / Y.-C. Wang, G.-W. Chen // IEEE Trans. Veh. Technol. – 2017. – № 66. – Р. 7234-7248. https://doi.org/10.1109/TVT.2017.2655084.Wang Y.-C. Efficient Data Gathering and Estimation for Metropolitan Air Quality Monitoring by Using Vehicular Sensor Networks / Y.-C. Wang, G.-W. Chen // IEEE Trans. Veh. Technol. – 2017. – № 66. – Р. 7234-7248. https://doi.org/10.1109/TVT.2017.2655084.Ventilation Strategies for Highly Occupied Public Environments: A Review / Y. Zhang et al // Buildings. – 2023. – № 13. – Р. 1642. https://doi.org/10.3390/buildings13071642.Ventilation Strategies for Highly Occupied Public Environments: A Review / Y. Zhang et al // Buildings. – 2023. – № 13. – Р. 1642. https://doi.org/10.3390/buildings13071642.CFD Investigation of Vehicle’s Ventilation Systems and Analysis of ACH in Typical Airplanes, Cars, and Buses / B. Pirouz et al // Sustainability. – 2021. – № 13. – Р. 6799. https://doi.org/10.3390/su13126799.CFD Investigation of Vehicle’s Ventilation Systems and Analysis of ACH in Typical Airplanes, Cars, and Buses / B. Pirouz et al // Sustainability. – 2021. – № 13. – Р. 6799. https://doi.org/10.3390/su13126799.Innovative High-Induction Air Diffuser for Enhanced Air Mixing in Vehicles and Personalized Ventilation Applications / F.I. Bode et al // Energies. – 2024. – № 17. – Р. 2930. https://doi.org/10.3390/en17122930.Innovative High-Induction Air Diffuser for Enhanced Air Mixing in Vehicles and Personalized Ventilation Applications / F.I. Bode et al // Energies. – 2024. – № 17. – Р. 2930. https://doi.org/10.3390/en17122930.Implementation of IoT-Based Air Quality Monitoring System for Investigating Particulate Matter (PM10) in Subway Tunnels / J.H. Jo et al // Int. J. Environ. Res. Public Health. – 2020. – № 17. – Р. 5429. https://doi.org/10.3390/ijerph17155429.Implementation of IoT-Based Air Quality Monitoring System for Investigating Particulate Matter (PM10) in Subway Tunnels / J.H. Jo et al // Int. J. Environ. Res. Public Health. – 2020. – № 17. – Р. 5429. https://doi.org/10.3390/ijerph17155429.Xu B. Air Quality Inside Subway Metro Indoor Environment Worldwide: A Review / B. Xu, J. Hao // Environ. Int. – 2017. – № 107. – Р. 33-46. https://doi.org/10.1016/j.envint.2017.06.016.Xu B. Air Quality Inside Subway Metro Indoor Environment Worldwide: A Review / B. Xu, J. Hao // Environ. Int. – 2017. – № 107. – Р. 33-46. https://doi.org/10.1016/j.envint.2017.06.016.Numerical Analysis of Air Quality Improvement and Thermal Comfort in a Classroom Using Organic Air Cleaners / E. Cruz-Octaviano et al // Atmosphere. – 2025. – № 16. – Р. 727. https://doi.org/10.3390/atmos16060727.Numerical Analysis of Air Quality Improvement and Thermal Comfort in a Classroom Using Organic Air Cleaners / E. Cruz-Octaviano et al // Atmosphere. – 2025. – № 16. – Р. 727. https://doi.org/10.3390/atmos16060727.The Impact of Urban Transportation Infrastructure on Air Quality / Y. Guo et al // Sustainability. – 2020. – № 12. – Р. 5626. https://doi.org/10.3390/su12145626.The Impact of Urban Transportation Infrastructure on Air Quality / Y. Guo et al // Sustainability. – 2020. – № 12. – Р. 5626. https://doi.org/10.3390/su12145626.Exposure to PM₂.₅ on Public Transport: Guidance for Field Measurements with Low-Cost Sensors / K. Fameli et al // Atmosphere. – 2024. – № 15. – Р. 330. https://doi.org/10.3390/atmos15030330.Exposure to PM₂.₅ on Public Transport: Guidance for Field Measurements with Low-Cost Sensors / K. Fameli et al // Atmosphere. – 2024. – № 15. – Р. 330. https://doi.org/10.3390/atmos15030330.South Coast Air Quality Management District (SCAQMD). Field Evaluation: Qingping Air Monitor; SCAQMD: Diamond Bar, CA, USA, 2023. Available online: https://www.aqmd.gov/docs/default-source/aq-spec/field-evaluations/qingping---air-monitor---fieldevaluation.pdf (accessed on 9 June 2025).South Coast Air Quality Management District (SCAQMD). Field Evaluation: Qingping Air Monitor; SCAQMD: Diamond Bar, CA, USA, 2023. Available online: https://www.aqmd.gov/docs/default-source/aq-spec/field-evaluations/qingping---air-monitor---fieldevaluation.pdf (accessed on 9 June 2025).Long-Term Field Evaluation of the Plantower PMS Low-Cost Particulate Matter Sensors / T. Sayahi et al // Environ. Pollut. – 2019. – № 245. – Р. 932-940. https://doi.org/10.1016/j.envpol.2018.11.065.Long-Term Field Evaluation of the Plantower PMS Low-Cost Particulate Matter Sensors / T. Sayahi et al // Environ. Pollut. – 2019. – № 245. – Р. 932-940. https://doi.org/10.1016/j.envpol.2018.11.065.Study on Dynamic Load of Air-Conditioning System in Subway Station Based on Hourly Passenger Flow / L. Wang et al // Buildings. – 2023. – № 13. – Р. 2349. https://doi.org/10.3390/buildings13092349.Study on Dynamic Load of Air-Conditioning System in Subway Station Based on Hourly Passenger Flow / L. Wang et al // Buildings. – 2023. – № 13. – Р. 2349. https://doi.org/10.3390/buildings13092349.Urban Air Quality Comparison for Bus, Tram, Subway and Pedestrian Commutes in Barcelona / T. Moreno et al // Environ. Res. – 2015. – № 142. – Р. 495-510.Urban Air Quality Comparison for Bus, Tram, Subway and Pedestrian Commutes in Barcelona / T. Moreno et al // Environ. Res. – 2015. – № 142. – Р. 495-510.How Can Ventilation Be Improved on Public Transportation Buses? Insights from CO₂ Measurements / X. Querol et al // Environ. Res. – 2022. – № 205. – Р. 112451. https://doi.org/10.1016/j.envres.2021.112451.How Can Ventilation Be Improved on Public Transportation Buses? Insights from CO₂ Measurements / X. Querol et al // Environ. Res. – 2022. – № 205. – Р. 112451. https://doi.org/10.1016/j.envres.2021.112451.Case Studies of Aerosol Pollution in Different Public Transport Vehicles in Hungarian Cities. / Е. Papp et al // Atmosphere. – 2022. – № 13. – Р. 692. https://doi.org/10.3390/atmos13050692.Case Studies of Aerosol Pollution in Different Public Transport Vehicles in Hungarian Cities. / Е. Papp et al // Atmosphere. – 2022. – № 13. – Р. 692. https://doi.org/10.3390/atmos13050692.Indoor Environmental Quality Assessment of Train Cabins and Passenger Waiting Areas: A Case Study of Nigeria / J.O. Ogundiran et al // Sustainability. – 2023. – № 15. – Р. 16533. https://doi.org/10.3390/su152316533.Indoor Environmental Quality Assessment of Train Cabins and Passenger Waiting Areas: A Case Study of Nigeria / J.O. Ogundiran et al // Sustainability. – 2023. – № 15. – Р. 16533. https://doi.org/10.3390/su152316533.Change in Air Quality during 2014-2021 in Jinan City in China and Its Influencing Factors. Toxics. – 2023. – № 11. – Р. 210. https://doi.org/10.3390/toxics11030210.Change in Air Quality during 2014-2021 in Jinan City in China and Its Influencing Factors. Toxics. – 2023. – № 11. – Р. 210. https://doi.org/10.3390/toxics11030210.Kaivonen S. Real-time Air Pollution Monitoring with Sensors on City Bus / S. Kaivonen, E.C.-H. Ngai // Digit. Commun. Netw. – 2020. – № 6. – Р. 23-30. https://doi.org/10.1016/j.dcan.2019.03.003.Kaivonen S. Real-time Air Pollution Monitoring with Sensors on City Bus / S. Kaivonen, E.C.-H. Ngai // Digit. Commun. Netw. – 2020. – № 6. – Р. 23-30. https://doi.org/10.1016/j.dcan.2019.03.003.Indoor Air Quality in Subway Microenvironments: Pollutant Characteristics, Adverse Health Impacts, and Population Inequity / S. Wang et al // Environ. Int. – 2024. – № 190. – Р. 108873. https://doi.org/10.1016/j.envint.2024.108873.Indoor Air Quality in Subway Microenvironments: Pollutant Characteristics, Adverse Health Impacts, and Population Inequity / S. Wang et al // Environ. Int. – 2024. – № 190. – Р. 108873. https://doi.org/10.1016/j.envint.2024.108873.Development and Validation of a Logistic Regression Model for the Diagnosis of Colorectal Cancer / C. Li et al // Sci. Rep. – 2025. – № 15. – Р. 14759. https://doi.org/10.1038/s41598-025-14759-3.Development and Validation of a Logistic Regression Model for the Diagnosis of Colorectal Cancer / C. Li et al // Sci. Rep. – 2025. – № 15. – Р. 14759. https://doi.org/10.1038/s41598-025-14759-3.Predictive Modeling of Air-Quality Levels Using Decision Tree Classification: Insights from Environmental and Demographic Factors / I.G. Sudipa et al // Indones. J. Data Sci. – 2024. – № 5. – Р. 251-258.Predictive Modeling of Air-Quality Levels Using Decision Tree Classification: Insights from Environmental and Demographic Factors / I.G. Sudipa et al // Indones. J. Data Sci. – 2024. – № 5. – Р. 251-258.Prediction of Cardiovascular Disease Based on Multi-Feature Selection and XGBoost Optimisation / H. Zhang et al // Sci. Rep. – 2025. – № 15. – Р. 96520. https://doi.org/10.1038/s41598-025-96520-7.Prediction of Cardiovascular Disease Based on Multi-Feature Selection and XGBoost Optimisation / H. Zhang et al // Sci. Rep. – 2025. – № 15. – Р. 96520. https://doi.org/10.1038/s41598-025-96520-7.

The authors declare that there are no conflicts of interest present.