• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Air quality, atmosphere & health >Ground-level ozone forecasting using data-driven methods
【24h】

Ground-level ozone forecasting using data-driven methods

机译：使用数据驱动方法进行地面臭氧预报

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Accurate site-specific forecasting of hourly ground-level ozone concentrations is a key issue in air quality research nowadays due to increase of smog pollution problem. This paper investigates three emergent data-driven methods to address the complex nonlinear relationships between ozone and meteorological variables in Hamilton (Ontario, Canada). Three dynamic neural networks with different structures: a time-lagged feed-forward network, a recurrent neural network neural network, and a Bayesian neural network models are investigated. The results suggest that the three models are effective forecasting tools and outperform the commonly used multilayer perceptron and hence can be applicable for short-term forecasting of ozone level. Overall, the Bayesian neural network model’s capability of providing prediction with uncertainty estimate in the form of confidence intervals and its inherent ability to prevent under-fitting and over-fitting problems have established it as a good alternative to the other data-driven methods.
机译：由于烟雾污染问题的增加，如今精确的地点每小时地面臭氧浓度的准确预测是当今空气质量研究中的关键问题。本文研究了三种新兴的数据驱动方法，以解决汉密尔顿（加拿大安大略省）臭氧与气象变量之间的复杂非线性关系。研究了三种具有不同结构的动态神经网络：时滞前馈网络，递归神经网络神经网络和贝叶斯神经网络模型。结果表明，这三种模型是有效的预测工具，其性能优于常用的多层感知器，因此可用于臭氧水平的短期预测。总体而言，贝叶斯神经网络模型能够以置信区间的形式提供带有不确定性估计的预测，并且其固有的防止过拟合和过拟合问题的能力使它成为其他数据驱动方法的良好替代方案。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号