The use of seasonal ANN models with

The use of seasonal ANN models with PCA-based inputs showed an increased prediction performance
compared with nonseasonal models. For seasonal ANN models, the overall model agreement in training between modeled and
observed 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, and
the models did not show a tendency towards overpredicting or underpredicting the PM10 levels. The approach demonstrated in
the study appeared to be promising for predicting short-term levels of pollutants through the data sets with high irregularities and
could have significant applicability in the case of large number of considered inputs.

ผลลัพธ์ (ไทย) 1:

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:

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:

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