عناصر مشابهة
التنبؤ لبيانات تلوث الهواء باستخدام الطريقة الهجينة MLR-RNN مع طريقة التراصف الزمني
| العنوان بلغة أخرى: | Air Pollution Forecasting Using Hybrid Mlr-Rnn Method with Timestratified Method |
|---|---|
| المصدر: | المجلة العراقية للعلوم الإحصائية |
| الناشر: |
جامعة الموصل - كلية علوم الحاسوب والرياضيات
|
| المؤلف الرئيسي: | |
| مؤلفين آخرين: | |
| المجلد/العدد: | ع34 |
| محكمة: | نعم |
| الدولة: | العراق |
| التاريخ الميلادي: | 2021 |
| الصفحات: | 1 - 21 |
| ISSN: | 1680-855X |
| رقم MD: | 1261368 |
| نوع المحتوى: | بحوث ومقالات |
| اللغة: | Arabic |
| قواعد المعلومات: | EcoLink |
| مواضيع: | |
| رابط المحتوى: |
| المستخلص: | أن دراسة الجسيمات المعلقة (PM10) (Particular matter والتكهن بها ضروري للتقليل والسيطرة على الأضرار البيئية وصحة الإنسان، هنالك العديد من مصادر التلوث أو ما يسمى بالملوثات والتي ربما تؤثر على متغير PM10. كل هذه المتغيرات تصنف بياناتها كغير خطية. تم أحد بيانات الدراسة من محطة مناخية في ماليزيا. تم استخدام نماذج الانحدار الخطي المتعد Multiple Linear Regression (MLR) كطريقة إحصائية خطية للتنبؤ بمتغير PM10 من خلال تأثره بمتغيرات الأرصاد الجوية المقابلة، لذلك فقد يعكس نتائج غير دقيقة عند استخدامه مع مجموعات البيانات غير الخطية. طريقة التراصف الزمني في أنماط مختلفة تم استخدامها لتحسين تلك النتائج وتحقيق التجانس ويتضمن مراصفة المواسم المتشابهة في السنوات المختلقة سوية لتكوين متغير جديد مختلف عن الأصلي. لتحسين نتائج التنبؤ تم اقتراح الشبكات العصبية المعاودة (RNN) Recurrent neural network لتستخدم بعد التوفيق مع نموذج MLR ضمن الطريقة الهجينة MLR-RNN أن نتائج التنبؤ بشكل عام كانت الأفضل باستخدام أسلوب التراصف الزمني. وكذلك عكست النتائج افضليه تنبؤات الطريقة الهجينة مقارنة مع نموذج MLR. وكاستنتاج في هذه الدراسة فمن الممكن استخدام الشبكات العصبية المعاودة وسلوب التراصف الزمني كأساليب فعالة للحصول على أفضل نتائج التنبؤ مع البيانات غير الخطية متعددة المتغيرات. Studying and forecasting Particular matter (PM10) is necessary to control and reduce the damage of environment and human health. There are many pollutants as sources of air pollution may effect on PM10 variable. This type of dataset can be classified as a nonlinear. Studied datasets have been taken from climate station in Malaysia. Multiple Linear Regression (MLR) is used as a linear statistical method for PM10 forecasting through its influencing by corresponding climate variables, therefore it may reflect inaccurate results when used with nonlinear datasets. Time stratified (TS) method in different styles is implemental for satisfying more homogeneity of datasets. It includes ordering similar seasons in different years together to formulate anew variable smoother than their original. To improve the results of forecasting, Recurrent Neural Network (RNN) has been suggested to be used after combining with MLR in hybrid MLR-RNN method in this study. In general, the results of forecasting were the best with using time stratified approach. In addition, the results of hybrid method were outperformed comparing to MLR model. As conclusion in this study, RNN and TS can be used as active approaches to obtain better forecasting results with nonlinear datasets in which PM10 is to dependent variable. |
|---|
