پیش بینی ذرات معلق PM۲.۵ هوای تهران بر اساس دما و فشار هوا، با استفاده از مدل رگرسیون تغییر رژیم مارکوفی ناپارامتری جمعی انتقالی

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 212

فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_MATH-8-4_001

تاریخ نمایه سازی: 18 فروردین 1403

چکیده مقاله:

در این مقاله به معرفی مدل رگرسیون تغییر رژیم مارکوفی، که یک مدل گرافی بر مبنای مدل مارکوف پنهان است، می پردازیم. این مدل را می توان از زاویه دید دیگر گونه ای از مدل های رگرسیونی خوشه بندی شده در نظر گرفت؛ که در آن یک فرایند مارکوف پنهان، انتقال از خوشه ای به خوشه دیگر را مدل بندی می کند. این خوشه ها، در واقع همان وضعیت های پنهان در یک مدل مارکوف پنهان هستند که فرض می شود یک فرایند مارکوف از مرتبه اول باشند. همچنین فرض های پایه ای یک مدل مارکوف پنهان، در این مدل صادق هستند، با این تفاوت که توزیع مشاهده ها یک توزیع شرطی از متغیر پاسخ به شرط متغیرهای پیشگو و وضعیت پنهان است. به عنوان یک کاربرد این مدل، مساله پیش بینی ذرات معلق PM۲.۵ در هوای شهر تهران بر اساس دما و فشار هوا و در فاصله سال های ۱۳۹۴ تا ۱۳۹۶، با استفاده از مدل رگرسیون تبدیل مارکوفی ناپارامتری جمعی انتقالی مطرح و بررسی شده است. همچنین بسته نرم افزاری hhsmm در نرم افزار ،R به عنوان ابزاری قدرتمند برای مدل بندی مدل بیان شده، معرفی شده است.

کلیدواژه ها:

نویسندگان

سید مرتضی امینی

بخش آمار، دانشکده ریاضی آمار و علوم کامپیوتر، دانشکدگان علوم، دانشگاه تهران، تهران، ایران

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 :
  • T. Adam, R. Langrock and C. H. Weiß, Penalized estimation ...
  • R. M. Altman, Mixed hidden Markov models: an extension of ...
  • M. Amini, A. Bayat and R. Salehian, hhsmm: an R ...
  • J. Bulla, F. Lagona, A multivariate hidden Markov model for ...
  • M. S. Bebbington, Identifying volcanic regimes using Hidden Markov Models, ...
  • D. L. Borchers, W. Zucchini, M. P. Heide‐Jorgensen, A. Cañadas ...
  • F. Cartella, J. Lemeire, L. Dimiccoli and H. Sahli, Hidden ...
  • G. A. Churchill, Stochastic models for heterogeneous DNA sequences, Bull. ...
  • R. Durbin, S. R. Eddy, A. Krogh and G. Mitchison, ...
  • Paul H. C. Eilers and B. D. Marx, Flexible smoothing ...
  • Y. Guédon, Estimating hidden semi-Markov chains from discrete sequences, J. ...
  • B. H. Juang and L. R. Rabiner, Hidden Markov models ...
  • G. Kauermann, A note on smoothing parameter selection for penalized ...
  • C. J. Kim, J. Piger and R. Startz, Estimation of ...
  • R. Langrock, B. J. Swihart, B. S. Caffo, N. M. ...
  • R. Langrock, T. Michelot, A.Sohn and T. Kneib, Semiparametric stochastic ...
  • R. Langrock, T. Kneib, A. Sohn and S. L. DeRuiter, ...
  • R. Langrock, T. Kneib, R. Glennie and T. Michelot, Markov-switching ...
  • V. Leos-Barajas, E. J. Gangloff, T. Adam, R. Langrock, F. ...
  • R. Langrock, T. Adam, V. Leos-Barajas, S. Mews, D. L. ...
  • A. Maruotti, Mixed hidden markov models for longitudinal data: An ...
  • S. Schliehe-Diecks, P. M. Kappeler, and R. Langrock, On the ...
  • C. Sherlock, T. Xifara, S. Telfer and M. Begon, A ...
  • I. Visser, M. E. J. Raijmakers and P. C. M. ...
  • L. R. Welch, Hidden Markov models and the Baum-Welch algorithm, ...
  • W. Zucchini, D. Raubenheimer and I. L. MacDonald, Modeling time ...
  • W. Zucchini, I. L. MacDonald and R. Langrock, Hidden Markov ...
  • نمایش کامل مراجع