Login for students

Login for employees

Publication detail

Prediction of Air Quality Indices by Neural Networks and Fuzzy Inference Systems ? The Case of Pardubice Microregion
Authors: Hájek Petr | Olej Vladimír
Year: 2013
Type of publication: článek v odborném periodiku
Name of source: Communications in Computer and Information Science
Publisher name: Springer
Place: Berlin
Page from-to: 302-312
Titles:
Language Name Abstract Keywords
cze Predikce indexů kvality ovzduší pomocí neuronových sítí a fuzzy inferenčních systémů - případ pradubického mikroregionu Článek uvádí návrh modelů pro predikci kvality ovzduší pomocí dopředných neuronových sítí typu perceptron a Takagi-Sugeno fuzzy inferenčních systémů. Dále je pomocí genetických algoritmů optimalizovaná množina vstupních proměnných pro každou škodlivinu. Na základě dat naměřených monitorovací stanicí ve městě Pardubice, Česká republika, jsou navrženy modely na predikci indexů kvality ovzduší pro každou škodlivinu zvlášť a následně model na predikci celkového indexu kvality ovzduší. Měřeno pomocí odmocniny střední kvadratické odchylky, výsledky ukazují, že kompozice jednotlivých predikčních modelů pracují lépe než jednotlivé predikce celkového indexu kvality ovzduší. Proto lze tyto modely aplikovat k získání přesnějších jednodenních predikcí indexů kvality ovzduší. Indexy kvality ovzduší; modelování; predikce; optimalizace; neuronové sítě; Takagi-Sugeno fuzzy inferenční systémy.
eng Prediction of Air Quality Indices by Neural Networks and Fuzzy Inference Systems ? The Case of Pardubice Microregion This paper presents a design of models for air quality prediction using feed-forward neural networks of perceptron and Takagi-Sugeno fuzzy inference systems. In addition, the sets of input variables are optimized for each air pollutant prediction by genetic algorithms. Based on data measured by the monitoring station of the Pardubice city, the Czech Republic, models are designed to predict air quality indices for each air pollutant separately and consequently, to predict the common air quality index. Considering the root mean squared error, the results show that the compositions of individual prediction models outperform single predictions of common air quality index. Therefore, these models can be applied to obtain more accurate one day ahead predictions of air quality indices. Air quality indices; modelling; prediction; optimization; neural networks; Takagi-Sugeno fuzzy inference systems.

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives