• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Advances in Pure Mathematics >Comparison of Different Regularized and Shrinkage Regression Methods to Predict Daily Tropospheric Ozone Concentration in the Grand Casablanca Area
【24h】

Comparison of Different Regularized and Shrinkage Regression Methods to Predict Daily Tropospheric Ozone Concentration in the Grand Casablanca Area

机译：预测大卡萨布兰卡地区对流层每日臭氧浓度的不同正则和收缩率回归方法的比较

获取原文
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Tropospheric ozone (O3) is one of the pollutants that have a significant impact on human health. It can increase the rate of asthma crises, cause permanent lung infections and death. Predicting its concentration levels is therefore important for planning atmospheric protection strategies. The aim of this study is to predict the daily mean O3 concentration one day ahead in the Grand Casablanca area of Morocco using primary pollutants and meteorological variables. Since the available explanatory variables are multicollinear, multiple linear regressions are likely to lead to unstable models. To counteract the multicollinearity problem, we compared several alternative regression methods: 1 ) Continuum Regression ; 2 ) Ridge & Lasso Regressions ; 3 ) Principal component regression (PCR) ; 4 ) Partial least Square regression & sparse PLS and ; 5 ) Biased Power Regression. The aim is to set up a good prediction model of the daily ozone in the Grand Casablanca area. These models are fitted on a training data set (from the years 2013 and 2014), tested on a data set (from 2015) and validated on yet another data set data (from 2015). The Lasso model showed a better performance for the prediction of ozone concentrations compared to multiple linear regression and its other alternative methods.
机译：对流层臭氧（O3）是对人体健康产生重大影响的污染物之一。它可以增加哮喘危机的发生率，引起永久性肺部感染和死亡。因此，预测其浓度水平对于规划大气保护策略很重要。这项研究的目的是使用主要污染物和气象变量预测摩洛哥大卡萨布兰卡地区提前一天的平均O3浓度。由于可用的解释变量是多重共线性的，因此多个线性回归可能会导致模型不稳定。为了解决多重共线性问题，我们比较了几种替代的回归方法：1）连续回归; 2）里奇和拉索回归; 3）主成分回归（PCR）; 4）偏最小二乘回归和稀疏PLS; 5）有偏功率回归。目的是建立大卡萨布兰卡地区每日臭氧的良好预测模型。将这些模型拟合到训练数据集（2013年和2014年）中，在数据集上进行测试（2015年以来），并在另一个数据集数据上进行验证（2015年之后）。与多重线性回归及其其他替代方法相比，Lasso模型显示出更好的臭氧浓度预测性能。

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