PMThe results on the prediction com

PMThe results on the prediction computed at 9a.m.
for the current day are clearly satisfactory, with a
true/predicted correlation of about 0.94 and a index
of correctly predicted exceedances higher than
0.80. Data deseasonalization seems a valuable approach
to increase of some points the average performances
indicators; improvements are however
less clear on the threshold exceedances prediction
indicators. The 2-days prediction appears as an
open problem, and the extension of air quality forecast
horizons is likely to require a great research
effort. In our opinion, dramatical performances
improvements are not to be expected by studying
new prediction algorithms: indeed, neural networks
constitute a flexible non-linear modelling approach,
able to learn very complex relationship from data.
On the other hand, the availability of more advanced
meteorological data, able to describe the air masses
motion in the atmosphere (e.g. vertical profiles of
wind speed and temperature, mixing height), can
greatly increase the informative content of the input
variables set, and may thus allow more significant
improvements of air quality predictions.
We remark that, although presently no clear trend
is detected on the PM10 time series, the situation
may evolve over time, thus requiring a retraining of
the predictor. Neural networks cannot be easily updated,
and in fact it will be necessary to identify
ex novo both the structure and parameters of the
network, in order to have an up-to-date predictor.
From this point of view, it is worth to mention that
lazy learning, a local linear modelling approach, can
constitute a viable alternative to neural networks;
in fact, according to (Birattari et al. [1999]), this
method may provide comparable prediction performances,
allowing at the same time a quicker design
and an easier update of the predictor.

ผลลัพธ์ (ไทย) 1:

ผล PMThe ในการคาดเดาที่คำนวณเวลา 9 น.สำหรับวันนี้จะพออย่างชัดเจน มีการจริง/ทำนายความสัมพันธ์ของ 0.94 และดัชนีความของ exceedances สูงกว่าคาดการณ์อย่างถูกต้อง0.80 ข้อมูล deseasonalization ดูเหมือนว่า วิธีที่มีคุณค่าเมื่อต้องการเพิ่มบางจุดแสดงค่าเฉลี่ยตัวบ่งชี้ มีการปรับปรุงอย่างไรก็ตามหักล้างในการคาดเดา exceedances จำกัดตัวบ่งชี้ คำทำนายวันที่ 2 ปรากฏเป็นการเปิดปัญหา และส่วนขยายของการคาดการณ์คุณภาพอากาศฮอลิซันส์จะต้องวิจัยมากความพยายาม ในความคิดของเรา dramatical แสดงการปรับปรุงจะไม่คาดหวัง โดยศึกษาอัลกอริทึมการคาดเดาใหม่: จริง เครือข่ายประสาทเป็นแบบไม่เชิงเส้นสร้างแบบจำลองมีความยืดหยุ่นสามารถเรียนรู้ความสัมพันธ์ที่ซับซ้อนมากจากข้อมูลบนมืออื่น ๆ ความสูงกว่าข้อมูลอุตุนิยมวิทยา บรรยายอากาศมวลชนเคลื่อนไหวในบรรยากาศ (เช่นแนวตั้งส่วนกำหนดค่าของลมความเร็วและอุณหภูมิ การผสมสูง), สามารถช่วยเพิ่มเนื้อหาข้อมูลของอินพุตตัวแปรการตั้งค่า และอาจทำให้ยิ่งการปรับปรุงการคาดการณ์คุณภาพอากาศเรารีที่ แม้ว่าปัจจุบันแนวโน้มไม่ชัดเจนตรวจพบชุด PM10 เวลา สถานการณ์อาจพัฒนาช่วงเวลา ดังนั้นจึง ต้องการ retraining ของจำนวนประตู เครือข่ายประสาทไม่สามารถได้อย่างง่ายดายปรับปรุงและในความเป็นจริงจะต้องระบุอดีต novo ทั้งโครงสร้างและพารามิเตอร์ของการเครือข่าย เพื่อให้มีจำนวนประตูที่ทันสมัยจากมุมนี้มอง ที่น่าพูดถึงขี้เกียจเรียนรู้ ท้องถิ่นเชิงสร้างแบบจำลองวิธีการ สามารถเป็นทางเลือกทำงานได้กับเครือข่ายประสาทในความเป็นจริง ตามการ (Birattari et al. [1999]), นี้วิธีอาจให้คาดเดาเทียบสมรรถนะช่วยกันออกแบบได้อย่างรวดเร็วและการปรับปรุงจำนวนประตูที่ง่ายขึ้น

ผลลัพธ์ (ไทย) 2:

PMThe ผลในการทำนายการคำนวณที่ 9:00
สำหรับวันนี้เป็นที่น่าพอใจอย่างเห็นได้ชัดด้วยความจริง / คาดการณ์เกี่ยวกับความสัมพันธ์ของ 0.94 และดัชนีของexceedances คาดการณ์ได้อย่างถูกต้องสูงกว่า0.80 deseasonalization ข้อมูลดูเหมือนว่าเป็นวิธีการที่มีคุณค่าเพื่อเพิ่มบางจุดแสดงค่าเฉลี่ยตัวชี้วัด; การปรับปรุงอย่างไรก็ตามไม่ชัดเจนในการทำนาย exceedances เกณฑ์ตัวชี้วัด ทำนาย 2 วันปรากฏเป็นปัญหาเปิดและการขยายตัวของการคาดการณ์ที่มีคุณภาพอากาศอันไกลโพ้นมีแนวโน้มที่จะต้องมีการวิจัยที่ดีความพยายาม ในความคิดของเราแสดง dramatical ปรับปรุงไม่ได้ที่จะคาดหวังโดยการศึกษาขั้นตอนวิธีการทำนายใหม่แน่นอนเครือข่ายประสาทเป็นวิธีการสร้างแบบจำลองที่ไม่ใช่เชิงเส้นที่มีความยืดหยุ่นสามารถเรียนรู้ความสัมพันธ์ที่ซับซ้อนมากจากข้อมูล. ในทางกลับกันความพร้อมของที่สูงขึ้นข้อมูลอุตุนิยมวิทยาสามารถอธิบายมวลอากาศเคลื่อนไหวในบรรยากาศ(เช่นรูปแบบแนวตั้งของความเร็วลมและอุณหภูมิผสมสูง) สามารถช่วยเพิ่มเนื้อหาข้อมูลของท่านที่ตัวแปรตั้งจึงอาจช่วยให้ความสำคัญมากขึ้นการปรับปรุงของการคาดการณ์คุณภาพอากาศ. เรากล่าวว่าแม้ว่าปัจจุบันไม่มีแนวโน้มที่ชัดเจนมีการตรวจพบในอนุกรมเวลา PM10 สถานการณ์ที่อาจมีวิวัฒนาการอยู่ตลอดเวลาจึงต้องฝึกอบรมของทำนาย เครือข่ายประสาทไม่สามารถปรับปรุงได้อย่างง่ายดายและในความเป็นจริงมันจะมีความจำเป็นที่จะระบุอดีตโนโวทั้งโครงสร้างและพารามิเตอร์ของเครือข่ายในการสั่งซื้อที่จะมีการทำนายที่ขึ้นไปวันที่. จากมุมมองนี้ก็คุ้มค่าที่จะพูดถึง ที่การเรียนรู้ขี้เกียจเป็นวิธีการสร้างแบบจำลองเชิงเส้นในท้องถิ่นสามารถเป็นทางเลือกที่ทำงานได้กับเครือข่ายประสาท; ในความเป็นจริงตาม (Birattari et al, [1999].) นี้วิธีการอาจจัดให้มีการแสดงการทำนายเทียบเคียงช่วยให้ในเวลาเดียวกันการออกแบบได้เร็วขึ้นและการปรับปรุงง่ายของการทำนาย

ผลลัพธ์ (ไทย) 3:

pmthe ผลการทำนายคำนวณที่ 9A . m .
สำหรับวันปัจจุบันและชัดเจนกับ
จริง / ทำนายความสัมพันธ์ประมาณ 0.94 และดัชนีของ exceedances สูงกว่าคาดการณ์ได้อย่างถูกต้อง

0.80 . deseasonalization ข้อมูลดู
วิธีที่มีคุณค่าเพื่อเพิ่มบางจุด โดยตัวชี้วัดสมรรถนะ
; การปรับปรุงอยู่แต่น้อยกว่าชัดเจนบนธรณีประตู exceedances

ทำนายตัวชี้วัด การ 2-days พยากรณ์ปรากฏเป็น
ปัญหาเปิดและขยายคุณภาพอากาศประมาณการ
( อาจต้องใช้ความพยายามในการวิจัย
เยี่ยม ในความคิดของเรา , การแสดง
dramatical การปรับปรุงไม่ต้องคาดหวัง โดยศึกษาขั้นตอนวิธีการทำนายใหม่แน่นอน

เป็นข่ายงานที่ยืดหยุ่นเชิงเส้น แบบจำลอง วิธีการ
สามารถเรียนรู้ความสัมพันธ์ที่ซับซ้อนมากจากข้อมูล .
บนมืออื่น ๆ , ความพร้อมของข้อมูลอุตุนิยมวิทยาขั้นสูง
เพิ่มเติม สามารถอธิบายมวลชน
อากาศเคลื่อนไหวในบรรยากาศ ( เช่นแนวตั้งโปรไฟล์ของ
ความเร็วลมและอุณหภูมิ ความสูงผสม ) ,
ช่วยเพิ่มเนื้อหาข้อมูลจากอินพุต
ตัวแปรชุด และดังนั้นจึงอาจให้มากขึ้น
การปรับปรุงการทำนายคุณภาพอากาศ
เราหมายเหตุว่า ถึงแม้ว่าปัจจุบันยังไม่มีแนวโน้ม
ถูกตรวจพบใน PM10 เวลาชุดสถานการณ์
อาจมีวิวัฒนาการตลอดเวลา จึงต้องมีการฝึกอบรมของ
ทำนาย . โครงข่ายประสาทเทียมไม่สามารถปรับปรุงได้ง่าย
และในความเป็นจริงก็จะต้องระบุทั้งด้านโครงสร้างและอดีต

พารามิเตอร์ของเครือข่าย เพื่อให้มีลักษณะที่ทันสมัย .
จากมุมมองนี้ , มันคุ้มค่าที่จะพูดถึงว่า
ขี้เกียจเรียนรู้วิธีการสร้างแบบจำลองเชิงท้องถิ่น สามารถเป็นทางเลือกที่ทำงานได้กับ

โครงข่ายประสาทเทียม ; ในความเป็นจริง , ตาม ( birattari et al . [ 1999 ] ) วิธีนี้

อาจให้แสดงการทำนายเทียบเคียง ให้ในเวลาเดียวกันได้เร็วขึ้นและง่ายขึ้นออกแบบ
อัพเดทของตัว .