of which were not represented as in

of which were not represented as inputs in these models. The line of poor
performance of the PM 2 .5 model at the northern tip of Manhattan correlates
well with a band of heavier taxi usage, as seen in Figure 5, and is also close to
where Interstate 95 cuts across the island. One possible explanation is that,
though taxi traffic does increase in that area, the increase is not sufficient to
encompass the huge increase in PM2 .5 from the 195 traffic. This is supported
by the lack of similar correlation between heavy taxi traffic and poor PM 2 .5
model performance in the southern part of the island, suggesting that the
increased error is not caused by overreliance on the taxi data.
Though the average R2 of the SO 2 models is similar to the error in computational models at similar grid sizes, it is the lowest of the pollutants modeled
here. SO 2 is also the only pollutant in this study that is not associated with
modern, gasoline-fueled passenger cars like taxis. SO 2 is emitted by other
vehicles found in cities, including very old passenger cars, diesel vehicles, and
industrial vehicles like buses and trucks. In many cases, these vehicles and
taxis are incentivized to avoid each other either spatially or temporally. For
example, taxi passengers are less likely to request a trip that mirrors one of
the predefined routes city buses take, and delivery trucks are likely to avoid
the congested roads of the urban center at their peak hours, which are exactly
when there are the most taxis. Therefore, the S0 2-emitting vehicles would
be expected to have different traffic patterns than taxis. The performance
of this taxi-based S02 models suggests that while these traffic patterns are
indeed sufficiently different than taxi patterns that taxis make an ifiperfect
substitute, they remain a functional proxy.
In general, the accuracy models suggest that this approach is an effective
and efficient one. Not only do the models predict all the pollutants as well
or better than computational models, they are relatively quick to produce
and run, even on an old laptop computer; the results from time trials on a
2013 Dell OptiPlex 9020 quad-core processor running at 3.1 GHz are shown
in Table 7. It would be possible to use the model in real-time to create
small-scale pollution predictions.

ผลลัพธ์ (ไทย) 1:

ของที่ไม่ได้แสดงเป็นอินพุตในรูปแบบเหล่านี้ รายการของคนจนประสิทธิภาพของ PM 2 รุ่น.5 ที่ตอนเหนือของแมนแฮตตันสัมพันธ์กับดีกับวงของการใช้งานรถหนัก ที่เห็นในรูปที่ 5 และยังใกล้เคียงกับที่อินเตอร์สเตต 95 ตัดข้ามเกาะ หนึ่งได้อธิบายว่าแม้ว่า การจราจรรถเพิ่มที่ตั้ง การเพิ่มขึ้นไม่เพียงพอรอบเพิ่มขึ้นอย่างมากใน PM2 ครั้งที่ 5 จากการจราจร 195 นี้ได้รับการสนับสนุนตัวอย่างความสัมพันธ์คล้ายคลึงกันระหว่างจราจรรถหนักและยาก PM 2 ครั้งที่ 5รุ่นในภาคใต้ของเกาะ แนะนำที่ไม่มีเกิดข้อผิดพลาดเพิ่มขึ้นจาก overreliance ข้อมูลแท็กซี่แม้ว่า R2 เฉลี่ยรุ่น 2 นั้นจะคล้ายกับข้อผิดพลาดในแบบจำลองคอมพิวเตอร์ที่ขนาดเส้นตารางคล้าย เป็นต่ำสุดของสารมลพิษที่จำลองที่นี่ ดังนั้น 2 เป็นมลพิษเท่านั้นในการศึกษานี้ไม่เกี่ยวข้องกับทันสมัย น้ำมันเบนซินเป็นเชื้อเพลิงรถยนต์เช่นรถแท็กซี่ เพื่อออกมาจากอีก 2ยานพาหนะที่พบในเมือง รวมมากเก่ารถยนต์ ยานพาหนะเครื่องยนต์ดีเซล และอุตสาหกรรมยานพาหนะเช่นรถบัสและรถบรรทุก ในหลายกรณี ยานพาหนะเหล่านี้ และรถแท็กซี่มีโดยมีคิมเพื่อหลีกเลี่ยงกัน spatially หรือ temporally สำหรับตัวอย่าง ผู้โดยสารแท็กซี่จะขอเดินทางซึ่งหนึ่งใช้รถประจำทางสายเมืองเส้นทางที่กำหนดไว้ล่วงหน้า และจัดส่งรถบรรทุกมีแนวโน้มที่จะหลีกเลี่ยงถนน congested ของตัวเมืองที่ของเวลา ที่อยู่เมื่อมีรถแท็กซี่มากที่สุด ดังนั้น ยานพาหนะ S0 2 เปล่งจะจะคาดว่าจะมีรูปแบบการจราจรที่แตกต่างกว่ารถแท็กซี่ ประสิทธิภาพการทำงานของขึ้นแท็กซี่ที่ S02 รุ่นแนะนำที่มีรูปแบบการรับส่งข้อมูลเหล่านี้แน่นอนพอแตกรูปแบบรถที่รถแท็กซี่ทำให้ ifiperfect เป็นทดแทน พวกเขายังคงพร็อกซี่ทำงานทั่วไป รุ่นความแม่นยำขอแนะนำว่า วิธีการนี้มีประสิทธิภาพและมีประสิทธิภาพ ไม่เพียงแต่ รูปแบบคาดการณ์ทั้งหมดสารมลพิษเช่นหรือดีกว่าแบบจำลองเชิงคำนวณ พวกเขาจะค่อนข้างรวดเร็วในการผลิตรัน แม้ในคอมพิวเตอร์แล็ปท็อปที่เก่า ผลจากการทดลองในเวลาแสดง 3.1 GHz ทำงานโปรเซสเซอร์ quad-core ของ Dell OptiPlex 9020 2013ในตาราง 7 มันจะสามารถใช้รูปแบบในเวลาจริงเพื่อสร้างระบุมลพิษคาดคะเน

ผลลัพธ์ (ไทย) 2:

ซึ่งไม่ได้เป็นตัวแทนเป็นปัจจัยการผลิตในรูปแบบเหล่านี้ สายของคนยากจนประสิทธิภาพการทำงานของส่วนตัว 2 0.5 รูปแบบที่ทางตอนเหนือของแมนฮัตตันมีความสัมพันธ์ที่ดีกับวงของการใช้งานรถแท็กซี่หนักเท่าที่เห็นในรูปที่5 และยังอยู่ใกล้กับที่รัฐ95 ตัดข้ามไปที่เกาะ หนึ่งคำอธิบายที่เป็นไปได้คือว่าแม้ว่าการจราจรรถแท็กซี่ไม่เพิ่มขึ้นในพื้นที่ที่เพิ่มขึ้นไม่เพียงพอที่จะครอบคลุมเพิ่มขึ้นมากในPM2 0.5 จากอัตราการเข้าชม 195 นี้ได้รับการสนับสนุนจากการขาดความสัมพันธ์ระหว่างการจราจรที่คล้ายกันหนักและรถแท็กซี่ที่ไม่ดีส่วนตัว 2 0.5 ประสิทธิภาพรูปแบบในภาคใต้ของเกาะบอกว่าข้อผิดพลาดที่เพิ่มขึ้นไม่ได้เกิดจาก overreliance กับข้อมูลรถแท็กซี่. แม้ว่าค่าเฉลี่ยของ R2 SO 2 รูปแบบจะคล้ายกับข้อผิดพลาดในรูปแบบการคำนวณที่มีขนาดตารางที่คล้ายกันก็จะต่ำสุดของสารมลพิษรูปแบบที่นี่ SO 2 ยังเป็นมลพิษเพียง แต่ในการศึกษาครั้งนี้ที่ไม่ได้เกี่ยวข้องกับการที่ทันสมัยน้ำมันเชื้อเพลิงรถยนต์นั่งเช่นรถแท็กซี่ SO 2 จะปล่อยออกมาจากอื่น ๆยานพาหนะพบในเมืองรวมทั้งผู้โดยสารเก่ามากรถยนต์รถยนต์ดีเซลและอุตสาหกรรมยานยนต์เช่นรถโดยสารและรถบรรทุก ในหลายกรณียานพาหนะเหล่านี้และรถแท็กซี่จะ incentivized เพื่อหลีกเลี่ยงกันและกันอย่างใดอย่างหนึ่งหรือตำแหน่งชั่วคราว สำหรับตัวอย่างเช่นผู้โดยสารรถแท็กซี่มีโอกาสน้อยที่จะขอให้การเดินทางที่กระจกหนึ่งในเส้นทางที่กำหนดไว้ล่วงหน้ารถเมล์เมืองใช้เวลาและรถบรรทุกมีแนวโน้มที่จะหลีกเลี่ยงถนนที่แออัดศูนย์เมืองในชั่วโมงเร่งด่วนของพวกเขาซึ่งจะตรงเมื่อมีมากที่สุดแท็กซี่. ดังนั้น S0 ยานพาหนะ 2 เปล่งจะได้รับการคาดว่าจะมีรูปแบบการจราจรที่แตกต่างจากรถแท็กซี่ ผลการดำเนินงานของรถแท็กซี่ที่ใช้รุ่น S02 นี้แสดงให้เห็นว่าในขณะที่เหล่านี้รูปแบบการจราจรมีความแน่นอนเพียงพอที่แตกต่างจากรูปแบบการรถแท็กซี่ที่รถแท็กซี่ให้ifiperfect แทนพวกเขายังคงเป็นพร็อกซี่ทำงาน. โดยทั่วไปรูปแบบถูกต้องชี้ให้เห็นว่าวิธีการนี้เป็นที่มีประสิทธิภาพและมีประสิทธิภาพหนึ่ง. ไม่เพียง แต่รูปแบบคาดการณ์มลพิษทั้งหมดได้เป็นอย่างดีหรือดีกว่ารุ่นคอมพิวเตอร์ที่พวกเขามีความรวดเร็วในการผลิตและการทำงานแม้ในคอมพิวเตอร์แล็ปท็อปเก่า ผลที่ได้จากการทดลองในเวลา2013 Dell OptiPlex 9020 โปรเซสเซอร์ Quad-core ทำงานที่ 3.1 GHz จะแสดงในตารางที่7 มันจะเป็นไปได้ที่จะใช้รูปแบบในเวลาจริงเพื่อสร้างการคาดการณ์มลพิษขนาดเล็ก

ผลลัพธ์ (ไทย) 3:

ซึ่งไม่ได้แสดงเป็นปัจจัยการผลิตในรูปแบบเหล่านี้ เส้นของประสิทธิภาพที่ดี
ของ PM 2 . 5 รุ่นที่ตอนเหนือของแมนฮัตตันเกี่ยวข้องกับ
กับวงดนตรีของหนักแท็กซี่ใช้ เท่าที่เห็นในรูปที่ 5 และยังใกล้กับ
ที่อินเตอร์สเตต 95 ตัดข้ามเกาะ คำอธิบายหนึ่งที่เป็นไปได้คือ
ถึงแม้ว่าการจราจรแท็กซี่เพิ่มในพื้นที่ที่เพิ่มขึ้นไม่เพียงพอ

ครอบคลุมการเพิ่มขึ้นอย่างมากใน pm2 . 5 จาก 195 เข้าชม นี้ได้รับการสนับสนุนโดยขาดความสัมพันธ์
คล้ายกันระหว่างการจราจรแท็กซี่หนักและทุ่มจน 2 5
รูปแบบการทำงานในส่วนใต้ของเกาะบอกว่า
เพิ่มขึ้นความผิดพลาดไม่ได้เกิดจาก overreliance
ข้อมูลแท็กซี่แต่ R2 เฉลี่ย 2 รูปแบบคล้ายกับข้อผิดพลาดในแบบจำลองคอมพิวเตอร์ที่ขนาดตารางที่คล้ายกัน มันเป็นสุดของสารมลพิษแบบจำลอง
ที่นี่เลย 2 ยังเป็นสารมลพิษในการศึกษาที่ไม่ได้เกี่ยวข้องกับ
ทันสมัย , น้ํามันเชื้อเพลิง รถยนต์ เช่น แท็กซี่ ดังนั้น 2 ปล่อยออกมาจากยานพาหนะอื่น ๆ
ที่พบในเมือง รวมทั้งที่เก่ามากผู้โดยสารรถยนต์ รถยนต์ดีเซลและ
ยานพาหนะ เช่น รถโดยสารและรถบรรทุก ในหลายกรณี , ยานพาหนะเหล่านี้และ
แท็กซี่ incentivized เพื่อหลีกเลี่ยงความแตกต่างกันหรือชั่วคราว .
ตัวอย่างสำหรับผู้โดยสารแท็กซี่มีโอกาสน้อยที่จะขอเดินทางที่กระจกหนึ่งในเส้นทางที่กำหนดไว้ล่วงหน้า
รถเมล์เอา และรถส่งของมีแนวโน้มที่จะหลีกเลี่ยง
ถนนแออัดของศูนย์กลางเมืองในชั่วโมงเร่งด่วน ซึ่งตรง
เมื่อมีแท็กซี่ส่วนใหญ่ ดังนั้น , Name 2-emitting ยานพาหนะจะ
ถูกคาดว่าจะมีรูปแบบการจราจรที่แตกต่างกันกว่าแท็กซี่ การแสดง
ของแท็กซี่ตามรูปแบบ ) แสดงให้เห็นว่าในขณะที่เหล่านี้รูปแบบการจราจรที่แตกต่างกันกว่าแท็กซี่เพียงพอ
แท้ลวดลายที่แท็กซี่ให้ ifiperfect
แทน พวกเขายังคงเป็นพร็อกซี่หน้าที่ .
ในทั่วไปความถูกต้องของแบบจำลองชี้ให้เห็นว่าวิธีการนี้จะมีประสิทธิภาพ
และมีประสิทธิภาพ . ไม่เพียง แต่ทำโมเดลทำนายทั้งหมดมลพิษด้วย
หรือดีกว่าแบบจำลองคอมพิวเตอร์ พวกเขาจะค่อนข้างรวดเร็ว ผลิต
วิ่ง แม้ในคอมพิวเตอร์แล็ปท็อปเก่า ผลลัพธ์จากการทดลองเวลาบน
2013 Dell optiplex 9020 quad core processor วิ่ง 3.1 GHz แสดง
ตารางที่ 7มันเป็นไปได้ที่จะใช้รูปแบบในเวลาจริงเพื่อสร้างการคาดการณ์

มลพิษขนาดเล็ก