Двошарова нейронна мережа зворотного поширення на основі обмежених машин Больцмана для прогнозування добової концентрації ультрадисперсних частинок РМ2.5
DOI:
https://doi.org/10.35681/1560-9189.2017.19.3.126541Ключові слова:
нейронна мережа, обмежені машини Больцмана, ультрадисперсні частки 2, 5, прогнозуванняАнотація
Забруднення ультрадисперсними частинками (УДЧ) класу PM2.5 є актуальною проблемою у сучасному світі. Прогнозування їхньої щоденної концентрації є складним завданням для дослідників. Розроблено нову модель у вигляді обмеженої машини Больцмана зворотного зв’язку з подвоєним шаром (RBM-DL-BPNN). Ефективність запропонованої моделі показано на прикладі прогнозування концентрації УДЧ РМ2,5 у місті Ханчжоу. Показники якості повітря, його забруднення (РМ10, РМ2,5, SO2, CO, NO2, O3), метеорологічні параметри (середньодобова температура, точка ро-си, вологість, атмосферний тиск, швидкість вітру та кількість опадів) у Ханчжоу використано в роботі для навчання та тестування трьох моделей: RBM-DL-BPNN, нейронної мережі зі зворотним зв’язком з подвійним шаром (DL-BPNN) і нейронної мережі зворотного поширення (BPNN). Результати проведених досліджень показали, що відносна похибка результатів використання RBM-DL-BPNN є найменшою серед вивчених нейронних мереж, яке полягає в тому, що кількість значень цієї похибки в діапазоні 0–50 % для RBM-DL-BPNN значно більше, ніж для випадків DL-BPNN і BPNN.Посилання
Minglei Fu., Weiwen Wang, Zichun Le, Mahdi Safaei Khorram. Prediction of particular matter concentration by developed feed-forward neural network with rolling mechanism and gray model. Neural. Comput. & Applic. 2015. Vol. 26. Iss. 8. P. 1789–1797.
Yifeng Xue, Hezhong Tian, Jing Yan [et al.]. Present and future emissions of HAPs from crem-atories in China. Atmos. Environ. 2016. Vol. 124. P. 28–36
Hangzhou released PM2.5 source analysis results: motor vehicle exhaust emissions first. URL: http://zjnews.zjol.com.cn/system/2015/06/06/020686281.shtml
Perez-Roa R., Castro J., Jorquera H., Perez-Correa J.R., Vesovic V. Air-pollution modelling in an urban area: Correlating turbulent diffusion coefficients by means of an artificial. Atmos. Environ. 2006.
Vol. 400. Iss. 1. P. 109–125.
Perez P., Gramsch E. Forecasting hourly PM2.5 in Santiago de Chile with emphasis on night ep-isodes. Atmos. Environ. 2016. Vol. 124. P. 22–27.
Voukantsis D., Karatzas K., Kukkonen J., Rasanen T., Karppinen A., Kolehmainen K. Inter-comparison of air quality data using principal component analysis, and forecasting of PM10 and PM2.5 concentrations using artificial neural networks, in Thessaloniki and Helsinki. Sci. Total Environ. 2011. Vol. 409. P. 1266–1276.
Ul-Saufie A.Z., Yahaya A.S., Ramli N.A., Rosaida N., Hamid H.A. Future daily PM10 concen-trations prediction by combining regression models and feedforward backpropagation models with prin-ciple component analysis (PCA). Atmos. Environ. 2013. Vol. 77. P. 621–630.
Gennaro G.D., Trizio L., Gilio A.D. Neural network model for the prediction of PM10 daily concentrations in two sites in the Western Mediterranean. Sci. Total Environ. 2013. Vol. 463–464. P. 875–883.
Shan S.Q., Feng L., Jian Z.W., Beibei S. Analysis and forecasting of the particulate matter (PM) concentration levels over four major cities of China using hybrid models. Atmos. Environ. 2014. Vol. 98.
P. 665–675.
Antanasijevic D.Z., Pocajt V.V., Povrenovic D.S., Ristic M.D., Peric-Grujic A.A. PM10 emission forecasting using artificial neural networks and genetic algorithm input variable optimization. Sci. Total Environ. 2014. Vol. 443. P. 511–519.
Mishra D., Goyal P., Upadhyay A. Artificial intelligence based approach to forecast PM2.5 during haze episodes: A case study of Delhi, India. Atmos. Environ. 2015. Vol. 102. P.239–248.
Yildirim Y., Bayramoglu M. Adaptive neuro-fuzzy based modelling for prediction of air pollu-tion daily levels in city of Zonguldak. Chemosphere. 2006. Vol. 63. P. 1575–1582.
Elangasinghe M.A., Singhal N., Dirks K.N., Salmond J.A., Samarasinghe S. Complex time se-ries analysis of PM10 and PM2.5 for a coastal site using artificial neural network modelling and k-means clustering. Atmos. Environ. 2014. Vol. 94. P. 106–116.
He H.D., Lu W.Z., Yu X. Prediction of particulate matter at street level using artificial neural networks coupling with chaotic particle swarm optimization algorithm. Build. Environ. 2014. Vol. 78. P. 111–117.
Siwek K., Osowski S. Improving the accuracy of prediction of PM10 pollution by the wavelet transformation and an ensemble of neural predictors. Eng Appl Artif Intell. 2012. Vol. 25. P. 1246–1258.
Perez P. Combined model for PM10 forecasting in a large city. Atmos. Environ. 2012. Vol. 60. P. 271–276.
Arhami M., Kamali N., Rajabi M.M. Predicting hourly air pollutant levels using artificial neural networks coupled with uncertainty analysis by Monte Carlo simulations. Environ Sci.Pollut. Res. 2013. Vol. 20. P. 4777–4789.
Daz-Robles L.A., Ortega J.C., Fu J.S. [et al.] A hybrid ARIMA and artificial neural networks model to forecast particulate matter in urban areas: The case of Temuco, Chile. Atmos. Environ. 2008. Vol.42. P. 8331–8340.
Zhou Q.P., Jiang H.Y., Wang J.Z., Zhou J.L. A hybridmodel for PM2.5 forecasting based on ensemble empirical mode decomposition and a general regression neural network. Sci. Total Environ. 2014. Vol. 496. P. 264–274.
Al-Alawi S.M., Abdul-Wahab S.A., Bakheit C.S. Combining principal component regression and artificial neural networks for more accurate predictions of ground-level ozone. Environ. Model. Softw. 2008. Vol. 23. P. 396–403.
The main data bulletin of 1 % population sample survey in Zhejiang Province. URL: http://www.zj.stats.gov.cn/tjgb/rkcydcgb/201601/t20160128_168706.html
Air Quality Index Monthly Statistical Data. URL: http://www.aqistudy.cn/historydata/ monthdata.php?city=
Istorija pogody v Hanchzhou, Kitaj, Dekabr, 2013. URL: https://www.wunderground.com/ history/airport/ZSHC/2013/12/2/DailyHistory.html
Liu D.J., Li L. Application Study of Comprehensive Forecasting Model Based on Entropy Weighting Method on Trend of PM2.5 Concentration in Guangzhou, China. Int. J. Environ. Res. Public Health. 2015. Vol. 12. P. 7085–7099.
Hinton G.E., Osindero S., Teh Y.W. A fast learning algorithm for deep belief nets. Neural Comput. 2006. Vol. 18. P. 527–1554.
Mohamed A., Dahl G.E., Hinton G. Acoustic Modeling using Deep Belief Networks. IEEE T Audio Speech. 2012. Vol. 20. P. 14–22.
Hinton G., Li D., Yu D. [et al.] Deep Neural Networks for Acoustic Modeling in Speech Recognition. IEEE Signal Proc. Mag. 2012. Vol. 29. P. 82–97.
Dumitru Erhan,Yoshua Bengio, Aaron Courville, Pierre-Antoine Manzagol, Pascal Vincent Erhan. Why Does Unsupervised Pre-training Help Deep Learning? Mach. Learn Res. 2010. Vol. 11. P. 625.
Dahl G.E., Yu D., Member S., Li D., Acero A. Context-Dependent Pre-Trained Deep Neural Networks for Large-Vocabulary Speech Recognition. IEEE T Audio Speech. 2012. Vol. 20. P. 30–42.
