This study introduces a seasonal mo

This study introduces a seasonal modeling approach in the prediction of daily average PM10 (particulate matter with an
aerodynamic diameter

ผลลัพธ์ (ไทย) 1:

การศึกษานี้แนะนำวิธีการสร้างโมเดลตามฤดูกาลในการคาดเดาของ PM10 เฉลี่ยรายวัน (เรื่องฝุ่นด้วยการเส้นผ่าศูนย์กลางอากาศพลศาสตร์ < 10 µm) ระดับ 1 วันข้างหน้าตามเพอร์เซปตรอนหลายโครงข่ายประสาทเทียม (MLP-แอน)พยากรณ์ ชุดข้อมูลครอบคลุมทั้งหมดทุกวันตามพารามิเตอร์การอุตุนิยมวิทยาและความเข้มข้น PM10 ในเวลา 2007-2014 แอนตามฤดูกาลรุ่นสำหรับฤดูหนาว และฤดูร้อนระยะเวลาแยกพัฒนา และฝึกอบรม โดยใช้ชุด lagged เวลาชุดข้อมูล กำหนดเงื่อนไข lagged สำคัญของตัวแปรภายในระยะเวลา 1 สัปดาห์ โดยส่วนประกอบหลัก(PCA) การวิเคราะห์ และกำหนดรูปแบบเวกเตอร์เป็นอินพุตของแอน ซ้อนการฝึกอบรม ด้วยวิธีการเผยแพร่กลับข้อผิดพลาดได้ใช้ในรูปแบบอาคาร การใช้กาลแอนรุ่นที่ใช้ PCA อินพุตแสดงประสิทธิภาพการทำนายเพิ่มขึ้นเมื่อเทียบกับรุ่นที่ไม่ สำหรับฤดูกาลแอนโมเดล โดยรวมระหว่างจำลองข้อตกลงรูปแบบในการฝึกอบรม และค่าสังเกตที่แตกต่างกันในช่วง 0.78 – 0.83 และค่า R2 ที่อยู่ในช่วงใน 0.681 – 0.727 ซึ่งกรรมการรุ่นไม่ทดสอบค่า R2 รุ่นตามฤดูกาลสำหรับฤดูหนาว และฤดูร้อนอยู่ในช่วงใน 0.709 – 0.727 ข้อผิดพลาดทดสอบต่ำ สูงสุด และรุ่นไม่ได้แสดงแนวโน้มไปที่ overpredicting หรือ underpredicting ระดับ PM10 วิธีการแสดงในการศึกษาดูเหมือนจะ เป็นแนวโน้มคาดระยะสั้นระดับสารมลพิษผ่านชุดข้อมูลมีความผิดปกติสูง และอาจมีความสำคัญในกรณีของการพิจารณาปัจจัยการผลิตจำนวนมาก

ผลลัพธ์ (ไทย) 2:

การศึกษานี้จะแนะนำวิธีการสร้างแบบจำลองตามฤดูกาลในการทำนายของค่าเฉลี่ย PM10 ในชีวิตประจำวัน (เรื่องฝุ่นละอองที่มี
ขนาดเส้นผ่าศูนย์กลางพลศาสตร์ <10 ไมครอน) ระดับ 1 วันข้างหน้าขึ้นอยู่กับหลาย Perceptron เครือข่ายประสาทเทียม (MLP-Ann)
นักพยากรณ์ ชุดข้อมูลที่ครอบคลุมพารามิเตอร์อุตุนิยมวิทยาทั้งหมดขึ้นอยู่ในชีวิตประจำวันและความเข้มข้น PM10 ในช่วงของการ 2007-
2014 รุ่นฤดูกาล ANN สำหรับฤดูหนาวและฤดูร้อนช่วงเวลาที่ได้รับการพัฒนาแยกและการฝึกอบรมโดยใช้เวลา lagged ชุด
ชุดข้อมูล ที่สำคัญที่สุดแง่ lagged ของตัวแปรภายในระยะเวลา 1 สัปดาห์ที่ได้รับการพิจารณาจากองค์ประกอบหลัก
Analysis (PCA) และมอบหมายให้เป็นพาหะใส่ของแบบจำลอง ANN การฝึกอบรมด้วยวิธีการผิดพลาดกลับมาขยายพันธุ์ Cascading ถูก
นำไปใช้ในการสร้างแบบจำลอง การใช้แบบจำลอง ANN ฤดูกาลกับปัจจัยการผลิต PCA-based แสดงให้เห็นว่าผลการดำเนินงานการทำนายที่เพิ่มขึ้น
เมื่อเทียบกับรุ่น nonseasonal สำหรับรุ่น ANN ฤดูกาลข้อตกลงรูปแบบโดยรวมในการฝึกอบรมระหว่างถ่ายแบบและ
ค่าสังเกตที่แตกต่างกันในช่วง 0.78-0.83 และค่า R2 ตั้งแต่ใน 0.681-0.727 ซึ่งมีประสิทธิภาพดีกว่ารุ่น nonseasonal.
ที่ดีที่สุดของการทดสอบค่า R2 ของแบบจำลองตามฤดูกาลในช่วงฤดูหนาวและฤดูร้อน ระยะเวลาที่อยู่ในช่วง 0.709-0.727 ด้วยข้อผิดพลาดการทดสอบที่ต่ำกว่าและ
รุ่นที่ไม่ได้แสดงแนวโน้มต่อ overpredicting หรือ underpredicting ระดับ PM10 วิธีการที่แสดงให้เห็นใน
การศึกษาครั้งนี้ดูเหมือนจะมีแนวโน้มในการทำนายระดับระยะสั้นของสารมลพิษผ่านชุดข้อมูลที่มีความผิดปกติสูงและ
อาจจะมีการบังคับใช้อย่างมีนัยสำคัญในกรณีของจำนวนมากของปัจจัยการผลิตการพิจารณา

ผลลัพธ์ (ไทย) 3:

การศึกษานี้แนะนำวิธีการสร้างแบบจำลองตามฤดูกาลในคำทำนายของ PM10 ( ฝุ่นละอองโดยเฉลี่ยทุกวันเส้นผ่าศูนย์กลางอากาศพลศาสตร์ < 10 μ M ) ระดับ 1 วันล่วงหน้า ตามธรรมดาเครือข่ายประสาทเทียมหลายชั้น ( mlp-ann )พยากรณ์ . ชุดข้อมูลครอบคลุมทุกทุกวัน ตามลักษณะทางอุตุนิยมวิทยา และความเข้มข้นของ PM10 ในช่วง 2007 จำกัด2014 . ฤดูกาลแอนแบบสำหรับฤดูหนาวและฤดูร้อนระยะเวลาแยกกันพัฒนา และฝึกฝนโดยการใช้อนุกรมเวลาล้าหลังชุดข้อมูล มากที่สุดอย่างมีนัยสำคัญที่ล้าหลัง เงื่อนไขของตัวแปรภายในระยะเวลาที่กำหนดโดย 1-week เป็นองค์ประกอบหลักการวิเคราะห์ ( PCA ) และมอบหมายให้เป็นอินพุตเวกเตอร์ ของแอน รุ่น การฝึกด้วยวิธี back-propagation ข้อผิดพลาดซ้อนประยุกต์ในรูปแบบอาคาร การใช้โมเดลกับ PCA ตามปัจจัยฤดูกาล แอนมีการทำนายประสิทธิภาพเพิ่มขึ้นเมื่อเทียบกับรุ่นไม่มี . สำหรับฤดูกาลแอนรุ่น พระเจ้าเหาโดยรวมในการฝึกอบรมระหว่างแบบจำลองและตรวจสอบค่าต่างๆในช่วง 0.78 และ 0.83 และ R2 ค่าอยู่ใน 0.727 0.681 ) ซึ่งในรุ่นที่ไม่มี .สุดยอดค่าทดสอบ R2 รุ่นตามฤดูกาลสำหรับฤดูหนาวและฤดูร้อนในช่วงระหว่าง 0.727 0.709 –ลดข้อผิดพลาดและการทดสอบ ,แบบไม่แสดงแนวโน้มต่อ overpredicting หรือ underpredicting ระดับ PM10 . วิธีการแสดงให้เห็นในการศึกษาปรากฏเป็นสัญญาระยะสั้นเพื่อทำนายระดับของมลพิษผ่านชุดข้อมูลที่มีความผิดปกติ สูง และสามารถมีความเกี่ยวข้องในกรณีของจำนวนมากของการพิจารณาข้อมูล