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:

This study introduces a seasonal modeling approach in the prediction of daily average PM10 (particulate matter with anaerodynamic diameter <10 μm) levels 1 day ahead based on multilayer perceptron artificial neural network (MLP-ANN)forecasters. The data set covered all daily based meteorological parameters and PM10 concentrations in the period of 2007–2014. Seasonal ANN models for winter and summer periods were separately developed and trained by using a lagged time seriesdata set. The most significant lagged terms of the variables within a 1-week period were determined by principal componentanalysis (PCA) and assigned as input vectors of ANN models. Cascading training with error back-propagation method wasapplied in model building. The use of seasonal ANN models with PCA-based inputs showed an increased prediction performancecompared with nonseasonal models. For seasonal ANN models, the overall model agreement in training between modeled andobserved values varied in the range of 0.78–0.83 and R2 values ranged in 0.681–0.727, which outperformed nonseasonal models.The best testing R2 values of seasonal models for winter and summer periods ranged in 0.709–0.727 with lower testing error, andthe models did not show a tendency towards overpredicting or underpredicting the PM10 levels. The approach demonstrated inthe study appeared to be promising for predicting short-term levels of pollutants through the data sets with high irregularities andcould have significant applicability in the case of large number of considered inputs.

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