Publication detail

Predicting Common Air Quality Index - The Case of Czech Microregions

Authors: Hájek Petr | Olej Vladimír

Year: 2015

Type of publication: článek v odborném periodiku

Name of source: Aerosol and Air Quality Research

Page from-to: 544-555

Titles:

Language	Name	Abstract	Keywords
cze	Predikce celkového indexu kvality ovzduší - případ českých mikroregionů	Článek uvádí návrh modelů pro predikci indexu kvality ovzduší pomocí metod výpočetní inteligence. Navíc byly pomocí genetických algoritmů optimalizovány množiny vstupních proměnných. Na základě měření ze třech monitorovacích stanic Dukla, Rosice a Brnenska v ČR byly navrženy modely predikce jednotlivých indexů kvality ovzduší a následně celkového indexu kvality ovzduší. Na základě RMSE výsledky ukázaly, že kompozice jednotlivých predikčních modelů významně překonávají jednotlivé predikční modely celkového indexu kvality ovzduší. Selekce atributů indikuje silnou lokální specifičnost indexů kvality ovzduší. Takto lze dosáhnout přesnější jednodenní predikce indexů kvality ovzduší. Ukazujeme, že kompoziční modely dosahují vysoké přesnosti predikce pro maxima indexu kvality ovzduší (mezi 50.69 a 63.36%). Cílem predikce různými metodami bylo porovnat výsledky predikce s cílem navržení doporučení pro mikroregionální management veřejné správy.
eng	Predicting Common Air Quality Index - The Case of Czech Microregions	This paper presents a design of models for common air quality index prediction using computational intelligence methods. In addition, the sets of input variables were optimized for each air pollutant prediction by genetic algorithms. Based on data measured by the three monitoring stations of Dukla, Rosice and Brnenska in the Czech Republic, the models were 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 showed that the compositions of individual prediction models significantly outperform single prediction models of the common air quality index. The feature selection procedure indicates that the determinants of air quality indices were strongly locality specific. Therefore, the models can be applied to obtain more accurate one day ahead predictions of air quality indices. Here we show that the composition models achieve high prediction accuracy for maximum air quality indices (between 50.69 and 63.36%). The goal of the prediction by various methods was to compare the results of the prediction with the aim of various recommendations to micro-regional public administration management.	Air quality index; Prediction; Fuzzy inference system; Neural network; Support vector regression

Search

Login for students

Login for employees

Publication detail

Map

Services

Popular Links