ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

Forecasting particulate matter concentration using nonlinear autoregression with exogenous input model

سال انتشار: 1401
کد COI مقاله: JR_GJESM-8-1_003
زبان مقاله: انگلیسیمشاهده این مقاله: 67
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 18 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Forecasting particulate matter concentration using nonlinear autoregression with exogenous input model

M.I. Rumaling - Faculty of Science and Natural Resources, Universiti Malaysia Sabah, Kota Kinabalu, Sabah, Malaysia
F.P. Chee - Faculty of Science and Natural Resources, Universiti Malaysia Sabah, Kota Kinabalu, Sabah, Malaysia
H.W.J. Chang - Preparatory Centre for Science and Technology, Universiti Malaysia Sabah, Kota Kinabalu, Sabah, Malaysia
C.M. Payus - Faculty of Science and Natural Resources, Universiti Malaysia Sabah, Kota Kinabalu, Sabah, Malaysia
S.K. Kong - Department of Atmospheric Sciences, National Central University, Taoyuan, ۳۲۰۰۱, Taiwan
J. Dayou - Energy, Vibration and Sound Research Group, Faculty of Science and Natural Resources, Universiti Malaysia Sabah, Kota Kinabalu, Sabah, Malaysia
J. Sentian - Faculty of Science and Natural Resources, Universiti Malaysia Sabah, Kota Kinabalu, Sabah, Malaysia

چکیده مقاله:

BACKGROUND AND OBJECTIVES: Air quality in some developing countries is dominated by particulate matter, especially those with size ۱۰ micrometers and smaller or PM۱۰. They can be inhaled and sometimes can get deep into lungs; some may even get into bloodstream and cause serious health problems. Therefore, future PM۱۰ concentration forecasting is important for early prevention and in urban development planning, which is crucial for developing cities. This paper presents the development of PM۱۰ forecasting model using nonlinear autoregressive with exogenous input model.METHODS: To improve performance of nonlinear autoregressive with exogenous input model, principal component analysis is used prior to the model for variable selection. The first stage of principal component analysis involves Scree plot, which determines the number of principal components based on explained variance. This is then followed by selecting variables using a rotated component matrix, based on their strength of contribution towards variation of PM۱۰ concentration. To test the model, PM۱۰ data in Kota Kinabalu from ۲۰۰۳ – ۲۰۱۰ was used. Neural network models are developed using this data by varying number of input variables with the inclusion of temporal variables. The developed forecasting models are evaluated using data PM۱۰ in the city from ۲۰۱۱ to ۲۰۱۲. Four performance indicators, namely root mean square error, mean absolute error, index of agreement and fractional bias are reported.FINDINGS: Results from principal component analysis show that five variables including wind direction index, relative humidity, ambient temperature, concentration of nitrogen dioxide and concentration of ozone strongly contribute to the variation of PM۱۰ concentration.  By using these variables together with temporal variables as input in the nonlinear autoregressive with exogenous input models, the resultant model shows good forecasting performance, with root mean square error of ۷.۰۸۶±۰.۸۷۳ µg/m۳. The selection of significant variables helps in reducing input variables inside the forecast model without degrading its forecast performance.CONCLUSION: This model shows very promising performance in forecasting PM۱۰ concentration in Kota Kinabalu as it requires fewer input variables and does not require variable transformation.

کلیدواژه ها:

artificial neural network (ANN) ، Nonlinear autoregression with exogenous input (NARX) ، Principal Component Analysis (PCA) ، Rotated component matrix ، Scree plot

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_GJESM-8-1_003 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1259896/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Rumaling, M.I. and Chee, F.P. and Chang, H.W.J. and Payus, C.M. and Kong, S.K. and Dayou, J. and Sentian, J.,1401,Forecasting particulate matter concentration using nonlinear autoregression with exogenous input model,https://civilica.com/doc/1259896

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1401, Rumaling, M.I.؛ F.P. Chee and H.W.J. Chang and C.M. Payus and S.K. Kong and J. Dayou and J. Sentian)
برای بار دوم به بعد: (1401, Rumaling؛ Chee and Chang and Payus and Kong and Dayou and Sentian)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Abdulkadir, S.J.; Yong, S.P., (۲۰۱۴). Empirical analysis of parallel-NARX recurrent ...
  • Abdullah, S.; Ismail, M.; Ghazali, N. A..; Ahmed, A.M.A.N., (۲۰۱۸). ...
  • Abdullah, S.; Ismail, M.; Ghazali, N. A..; Ahmed, A.M.A.N., (۲۰۱۹)., ...
  • Abdullah, S.; Ismail, M.; Fong, S.Y.; Ahmed, A.M.A.N., (۲۰۱۶). Evaluation ...
  • Abdul-Wahab, S.A.; Bakheit, C.S.; Al-Alawi, S.M., (۲۰۰۵) Principal component and ...
  • Antanasijević, D.Z.; Pocajt, V.V.; Povrenović, D.S.; Ristić, M.D.; Perić-Grujić, A.A., ...
  • Arhami, M.; Kamali, N.; Rajabi, M.M., (۲۰۱۳). Predicting hourly air ...
  • Azid, A.; Juahir, H.; Toriman, M. E.; Kamarudin, M. K. ...
  • Besar, S.N.A.; Ladin, M.A.; Harith, N.S.H.; Bolong, N.; Saad, I.; ...
  • Biancofiore, F.; Busilacchio, M.; Verdecchia, M.; Tomassetti, B.; Aruffo, E.; ...
  • Cabaneros, S.M.L.S.; Calautit, J.K.S.; Hughes, B.R., (۲۰۱۷). Hybrid Artificial Neural ...
  • Ceylan, Z.; Bulkan, S., (۲۰۱۸). Forecasting PM۱۰ Levels using ANN ...
  • Chang, H.W. J.; Chee, F.P.; Kong, S.K.S.; Sentian, J., (۲۰۱۸). ...
  • Díaz-Robles, L.A.; Ortega, J.C.; Fu, J.S.; Reed, G.D.; Chow, J.C; ...
  • Djamila, H.; Ming, C.C.; Kumaresan, S., (۲۰۱۱). Estimation of exterior ...
  • Dominick, D.; Juahir, H.; Latif, M.T.; Zain, S.M.; Aris, A.Z., ...
  • Dotse, S.Q.; Petra, M.I.; Dagar, L.; De Silva, L.C., (۲۰۱۸). ...
  • Elangasinghe, M.A.; Singhal, N.; Dirks, K.N.; Salmond, J.A.; Samarasinghe, S., ...
  • Fan, J.; Li, Q.; Hou, J.; Feng, X.; Karimian, H.; ...
  • Feng, X.; Li, Q.; Zhu, Y.; Hou, J.; Jin, L.; ...
  • Franceschi, F.; Cobo, M.; Figueredo, M., (۲۰۱۸). Discovering relationships and ...
  • Graham, J.W., (۲۰۰۹). Missing Data Analysis: Making It Work in ...
  • Grivas, G.; Chaloulakou, A., (۲۰۰۶). Artificial neural network models for ...
  • Gvozdić, V.; Kovač-Andrić, E.; Brana, J., (۲۰۱۱). Influence of Meteorological ...
  • Karri, R.R.; Mohammadyan, M.; Ghoochani, M.; Mohammadpoure, R.A.; Yusup, Y.; ...
  • Kim, K.H.; Kabir, E.; Kabir, S., (۲۰۱۵). A review on ...
  • Lou, C.; Liu, H.; Li, Y.; Peng, Y.; Wang, J.; ...
  • Muhammad Izzuddin, R.; Chee, F.P.; Dayou, J.; Chang, H.W. J.; ...
  • Muhammad Izzuddin, R.; Chee, F.P.; Dayou, J.; Chang, H.W.J.; Kong, ...
  • Munir, S.; Habeebullah; T.M.; Mohammed, A.M.F.; Morsy, E.A.; Rehan, M.; ...
  • Noor, H.M.; Nasrudin, N.; Foo, J., (۲۰۱۴). Determinants of Customer ...
  • Özbay, B.; Keskin, G.A.; Doǧruparmak, Ş.Ç.; Ayberk, S., (۲۰۱۱). Multivariate ...
  • Paschalidou, A.K.; Karakitsios, S.; Kleanthous, S.; Kassomenos, P.A., (۲۰۱۱). Forecasting ...
  • Polat, E.; Gunay, S., (۲۰۱۵). The Comparison of Partial Least ...
  • Potdar, K.; Pardawala, T.S., (۲۰۱۷). Forecasting Ambient Air Quality in ...
  • Saxena, S.; Mathur, A.K., (۲۰۱۷). Prediction of Respirable Particulate Matter ...
  • Shahraiyni, H.T.; Sodoudi, S., (۲۰۱۶). Statistical modeling approaches for PM۱۰ ...
  • Shekarrizfard, M.; Karimi-Jashni, A.; Hadad, K., (۲۰۱۲). Wavelet transform-based artificial ...
  • Teong, K.V.; Sukarno, K.; Hian, J., Chang, W.; Chee, F.P.; ...
  • Ul-Saufie, A.Z.; Yahaya, A.S.; Ramli, N.A.; Hamid, H.A., (۲۰۱۱). Comparison ...
  • Ul-Saufie, A.Z.; Yahaya, A.S.; Ramli, N.A.; Hamid, H.A., (۲۰۱۵). PM۱۰ ...
  • Ul-Saufie, A.Z.; Yahaya, A.S.; Ramli, N.A.; Rosaida, N.; Hamid, H.A., ...
  • Vijayaraghavan, N.; Mohan, G.S., (۲۰۱۶). Air pollution analysis for Kannur ...
  • Vlachogianni, A.; Kassomenos, P.; Karppinen, A.; Karakitsios, S.; Kukkonen, J., ...
  • Voukantsis, D.; Karatzas, K.; Kukkonen, J.; Räsänen, T.; Karppinen, A.; ...
  • Willmott, C.J.; Matsuura, K., (۲۰۰۵). Advantages of the mean absolute ...
  • Wu, Z.; Fan, J.; Gao, Y.; Shang, H.; Song, H., ...
  • Xie, Y.; Bin, Z.; Lin, Z.; Rong, L., (۲۰۱۵). Spatiotemporal ...
  • Yu, H.; Wilamowski, B.M., (۲۰۱۶). Levenberg-marquardt training. Intell. Sys., ۲: ...
  • مدیریت اطلاعات پژوهشی

    صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم
    این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    پشتیبانی