Publikace detail

An Optimized Hybrid Forecasting Model and Its Application to Air Pollution Concentration

Autoři: Pauzi Herrini Mohd | Abdullah Lazim | Hájek Petr

Rok: 2020

Druh publikace: článek v odborném periodiku

Název zdroje: Arabian Journal for Science and Engineering

Název nakladatele: Springer

Místo vydání: Heidelberg

Strana od-do: 9953-9975

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Optimalizovaný hybridní predikční model a jeho aplikace na koncentraci znečištění ovzduší	Předchozí literatura naznačovala, že intuicionistické fuzzy inferenční systémy (IFIS) mohou nabídnout dobrý predikční model a úzce souvisí s neurčitostí parametrů. Jejich výkon však může být vážně snížen přítomností chybějících dat a méně regulovanými lokálními optimy. Tato studie navrhuje hybridní model IFIS asimilováním pravděpodobnostní analýzy hlavních komponent (PPCA) za účelem vylepšení algoritmu předzpracování dat a optimalizace roje částic (PSO) za účelem optimalizace výkonu predikčního modelu. Hlavním účelem PPCA je snížit vliv odlehlých hodnot ovlivněných vadnými hodnotami a chybějícími hodnotami v experimentálních datech. Algoritmus optimalizace PSO se používá k vyladění parametrů IFIS a tím ke zvýšení predikční výkonnosti IFIS. Ke studiu výhod navrhovaného hybridního modelu byla použita rozsáhlá experimentální data o meteorologických parametrech, které jsou považovány za faktory znečištění troposféry. Tři měřítka chyb jsou uvedena pro kontrolu výkonu navrhovaného modelu v porovnání s ostatními modely. Výsledek analýzy chyb jasně zdůrazňuje, že navrhovaný hybridní model je přesnější ve srovnání s ostatními modely založenými na IFIS a dobře známými stávajícími modely.
eng	An Optimized Hybrid Forecasting Model and Its Application to Air Pollution Concentration	Previous literature suggested that intuitionistic fuzzy inference systems (IFISs) can offer a good forecasting model and intimately linked to the notion of uncertain parameters. However, their performance can be severely degraded by the presence of missing data and less regulated local optima. This study proposes a hybrid IFIS model by assimilating the probabilistic principal component analysis (PPCA) to enhance preprocessing data and particle swarm optimization (PSO) algorithm to optimize the performance of the forecasting model. The main purpose of the PPCA is to diminish outliers affected by defective values and missing values within experimental data. The PSO optimization algorithm is used to tune the parameters of IFIS and thus elevate the prediction performance of the IFIS. Extensive experimental data on meteorological parameters that are recognized as driving factors of tropospheric pollution were employed to study the benefits of the proposed hybrid model. Comparable three error measures are presented to check the performance of the proposed model against the other models. The error analysis result clearly highlights that the proposed hybrid model is performed better compared to the other IFIS-based models and the well-known existing models.	Probabilistic principal component analysis; Particle swarm optimization; Intuitionistic fuzzy inference system; Forecasting; PM10 concentration

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte