МОНИТОРИНГ КАЧЕСТВА ВОЗДУХА В АВТОБУСАХ АЛМАТЫ С ИСПОЛЬЗОВАНИЕМ IOT-УСТРОЙСТВ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ
https://doi.org/10.53360/2788-7995-2026-1(21)-19
Аннотация
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
Ключевые слова
общественный транспорт,
качество воздуха,
CO₂,
PM₂.₅,
PM₁₀,
IoTустройство,
машинное обучение,
вентиляция,
пассажиропоток,
микроклимат,
интеллектуальный транспорт
При поддержке: Данное исследование финансируется Комитетом науки Министерства науки и высшего образования Республики Казахстан (Грант ИРН BR24993051).
Об авторах
А. Н. Молдагулова
Казахский национальный технический исследовательский университет им. К.И. Сатпаева
Казахстан
Казахстан
Айман Николаевна Молдагулова – доцент, профессор-исследователь
050013, г. Алматы, ул. Сатпаев 22
Д. Н. Тұрмаханбет
Казахский национальный университет имени аль-Фараби;
ТОО «Kazakhstan R&D Solutions»
Казахстан
Казахстан
Динара Нұрланқызы Тұрмаханбет - студентка 4 курса бакалавриата
050040, г. Алматы, пр. аль-Фараби, 71;
050056, г. Алматы, ул. Кожедуба 3
М. А. Мауленбеков
Казахский национальный технический исследовательский университет им. К.И. Сатпаева;
ТОО «Kazakhstan R&D Solutions»
Казахстан
Казахстан
Марлен Амантайулы Мауленбеков – студент 4 курса бакалавриата
050013, г. Алматы, ул. Сатпаев 22;
050056, г. Алматы, ул. Кожедуба 3
Ж. Б. Кальпеева
Казахский национальный технический исследовательский университет им. К.И. Сатпаева
Казахстан
Казахстан
Жулдыз Бейшеналиевна Кальпеева – PhD, доцент
050013, г. Алматы, ул. Сатпаев 22
Р. К. Ускенбаева
Казахский национальный технический исследовательский университет им. К.И. Сатпаева
Казахстан
Казахстан
Раиса Кабиевна Ускенбаева – доктор технических наук, профессор
050013, г. Алматы, ул. Сатпаев 22
Список литературы
1. 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.
2. 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.
3. 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.
4. 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.
5. 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.
6. Ventilation Strategies for Highly Occupied Public Environments: A Review / Y. Zhang et al // Buildings. – 2023. – № 13. – Р. 1642. https://doi.org/10.3390/buildings13071642.
7. 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.
8. 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.
9. 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.
10. 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.
11. 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.
12. The Impact of Urban Transportation Infrastructure on Air Quality / Y. Guo et al // Sustainability. – 2020. – № 12. – Р. 5626. https://doi.org/10.3390/su12145626.
13. 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.
14. 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).
15. 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.
16. 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.
17. Urban Air Quality Comparison for Bus, Tram, Subway and Pedestrian Commutes in Barcelona / T. Moreno et al // Environ. Res. – 2015. – № 142. – Р. 495-510.
18. 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.
19. 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.
20. 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.
21. 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.
22. 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.
23. 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.
24. 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.
25. 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.
26. 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.
Рецензия
Для цитирования:
Молдагулова А.Н., Тұрмаханбет Д.Н., Мауленбеков М.А., Кальпеева Ж.Б., Ускенбаева Р.К. МОНИТОРИНГ КАЧЕСТВА ВОЗДУХА В АВТОБУСАХ АЛМАТЫ С ИСПОЛЬЗОВАНИЕМ IOT-УСТРОЙСТВ И МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ. Вестник Университета Шакарима. Серия технические науки. 2026;1(1(21)):179-188. https://doi.org/10.53360/2788-7995-2026-1(21)-19
For citation:
Moldagulova A.N., Turmakhanbet D.N., Maulenbekov M.A., Kalpeyeva Zh.B., Uskenbayeva R.K. AIR QUALITY MONITORING IN ALMATY BUSES USING IOT DEVICES AND MACHINE LEARNING METHODS. Bulletin of Shakarim University. Technical Sciences. 2026;1(1(21)):179-188. (In Russ.) https://doi.org/10.53360/2788-7995-2026-1(21)-19
Просмотров:
132
JATS XML
Послать статью по эл. почте 
