Publikace detail

Prediction of Air Quality Indices by Neural Networks and Fuzzy Inference Systems - The Case of Pardubice Microregion

Autoři: Hájek Petr | Olej Vladimír

Rok: 2013

Druh publikace: článek ve sborníku

Název zdroje: Engineering Applications of Neural Networks: 14th International Conference, EANN 2013, Halkidiki, Greece, September 13-16, 2013, Proceedings, Part I

Název nakladatele: Springer

Místo vydání: Heidelberg

Strana od-do: 302-312

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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.

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte