Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5
Particulate matter 2.5 (PM2.5) pollution is an actual problem in the modern world and forecasting of the daily concentration of PM25 is a challenging task for researchers. In this study, a novel neural network model that effectively forecasts daily PM2.5 in Hangzhou city was developed in the form o...
Gespeichert in:
| Datum: | 2017 |
|---|---|
| Hauptverfasser: | , , , |
| Format: | Artikel |
| Sprache: | English |
| Veröffentlicht: |
Інститут проблем реєстрації інформації НАН України
2017
|
| Schlagworte: | |
| Online Zugang: | http://drsp.ipri.kiev.ua/article/view/126541 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Data Recording, Storage & Processing |
Institution
Data Recording, Storage & Processing| id |
drspiprikievua-article-126541 |
|---|---|
| record_format |
ojs |
| institution |
Data Recording, Storage & Processing |
| baseUrl_str |
|
| datestamp_date |
2019-12-28T08:23:10Z |
| collection |
OJS |
| language |
English |
| topic |
Neural network restricted Boltzmann machines Particulate matter 25 Forecasting |
| spellingShingle |
Neural network restricted Boltzmann machines Particulate matter 25 Forecasting Fu, Minglei Wang, Chen Le, Zichun Manko, Dmytro Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 |
| topic_facet |
Neural network restricted Boltzmann machines Particulate matter 25 Forecasting нейронная сеть ограниченные машины Больцмана ультрадисперсные частицы 25 прогнозирование нейронна мережа обмежені машини Больцмана ультрадисперсні частки 2 5 прогнозування |
| format |
Article |
| author |
Fu, Minglei Wang, Chen Le, Zichun Manko, Dmytro |
| author_facet |
Fu, Minglei Wang, Chen Le, Zichun Manko, Dmytro |
| author_sort |
Fu, Minglei |
| title |
Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 |
| title_short |
Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 |
| title_full |
Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 |
| title_fullStr |
Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 |
| title_full_unstemmed |
Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 |
| title_sort |
double layer back propagation neural network based on restricted boltzmann machines for forecasting daily particulate matter 2.5 |
| title_alt |
Двуслойная нейронная сеть обратного распространения на основе ограниченных машин Больцмана для прогнозирования суточной концентрации ультрадисперсных частиц РМ2.5 Двошарова нейронна мережа зворотного поширення на основі обмежених машин Больцмана для прогнозування добової концентрації ультрадисперсних частинок РМ2.5 |
| description |
Particulate matter 2.5 (PM2.5) pollution is an actual problem in the modern world and forecasting of the daily concentration of PM25 is a challenging task for researchers. In this study, a novel neural network model that effectively forecasts daily PM2.5 in Hangzhou city was developed in the form of a restricted Boltzmann machines double layer back propagation neural network model (RBM-DL-BPNN). Air quality index, the air pollutants, e.g., particulate matter 10 (PM10), PM25, SO2, CO, NO2, O3, and meteorological parameters (temperature, dew point, humidity, pressure, wind speed, and precipitation) of Hangzhou city were used in this study to train and test three models: RBM-DL-BPNN, double layer back propagation neural network (DL-BPNN), and back propagation neural network (BPNN). The results of experiments and analyses performed indicate that RBM-DL-BPNN has a smaller mean absolute percent error (MAPE), smaller overall daily absolute percentage errors, and more results in terms of absolute percentage error within the range 0-50 % than DL-BPNN and BPNN. |
| publisher |
Інститут проблем реєстрації інформації НАН України |
| publishDate |
2017 |
| url |
http://drsp.ipri.kiev.ua/article/view/126541 |
| work_keys_str_mv |
AT fuminglei doublelayerbackpropagationneuralnetworkbasedonrestrictedboltzmannmachinesforforecastingdailyparticulatematter25 AT wangchen doublelayerbackpropagationneuralnetworkbasedonrestrictedboltzmannmachinesforforecastingdailyparticulatematter25 AT lezichun doublelayerbackpropagationneuralnetworkbasedonrestrictedboltzmannmachinesforforecastingdailyparticulatematter25 AT mankodmytro doublelayerbackpropagationneuralnetworkbasedonrestrictedboltzmannmachinesforforecastingdailyparticulatematter25 AT fuminglei dvuslojnaânejronnaâsetʹobratnogorasprostraneniânaosnoveograničennyhmašinbolʹcmanadlâprognozirovaniâsutočnojkoncentraciiulʹtradispersnyhčasticrm25 AT wangchen dvuslojnaânejronnaâsetʹobratnogorasprostraneniânaosnoveograničennyhmašinbolʹcmanadlâprognozirovaniâsutočnojkoncentraciiulʹtradispersnyhčasticrm25 AT lezichun dvuslojnaânejronnaâsetʹobratnogorasprostraneniânaosnoveograničennyhmašinbolʹcmanadlâprognozirovaniâsutočnojkoncentraciiulʹtradispersnyhčasticrm25 AT mankodmytro dvuslojnaânejronnaâsetʹobratnogorasprostraneniânaosnoveograničennyhmašinbolʹcmanadlâprognozirovaniâsutočnojkoncentraciiulʹtradispersnyhčasticrm25 AT fuminglei dvošarovanejronnamerežazvorotnogopoširennânaosnovíobmeženihmašinbolʹcmanadlâprognozuvannâdobovoíkoncentracííulʹtradispersnihčastinokrm25 AT wangchen dvošarovanejronnamerežazvorotnogopoširennânaosnovíobmeženihmašinbolʹcmanadlâprognozuvannâdobovoíkoncentracííulʹtradispersnihčastinokrm25 AT lezichun dvošarovanejronnamerežazvorotnogopoširennânaosnovíobmeženihmašinbolʹcmanadlâprognozuvannâdobovoíkoncentracííulʹtradispersnihčastinokrm25 AT mankodmytro dvošarovanejronnamerežazvorotnogopoširennânaosnovíobmeženihmašinbolʹcmanadlâprognozuvannâdobovoíkoncentracííulʹtradispersnihčastinokrm25 |
| first_indexed |
2025-07-17T10:56:53Z |
| last_indexed |
2025-07-17T10:56:53Z |
| _version_ |
1850411199196299264 |
| spelling |
drspiprikievua-article-1265412019-12-28T08:23:10Z Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5 Двуслойная нейронная сеть обратного распространения на основе ограниченных машин Больцмана для прогнозирования суточной концентрации ультрадисперсных частиц РМ2.5 Двошарова нейронна мережа зворотного поширення на основі обмежених машин Больцмана для прогнозування добової концентрації ультрадисперсних частинок РМ2.5 Fu, Minglei Wang, Chen Le, Zichun Manko, Dmytro Neural network restricted Boltzmann machines Particulate matter 25 Forecasting нейронная сеть ограниченные машины Больцмана ультрадисперсные частицы 25 прогнозирование нейронна мережа обмежені машини Больцмана ультрадисперсні частки 2 5 прогнозування Particulate matter 2.5 (PM2.5) pollution is an actual problem in the modern world and forecasting of the daily concentration of PM25 is a challenging task for researchers. In this study, a novel neural network model that effectively forecasts daily PM2.5 in Hangzhou city was developed in the form of a restricted Boltzmann machines double layer back propagation neural network model (RBM-DL-BPNN). Air quality index, the air pollutants, e.g., particulate matter 10 (PM10), PM25, SO2, CO, NO2, O3, and meteorological parameters (temperature, dew point, humidity, pressure, wind speed, and precipitation) of Hangzhou city were used in this study to train and test three models: RBM-DL-BPNN, double layer back propagation neural network (DL-BPNN), and back propagation neural network (BPNN). The results of experiments and analyses performed indicate that RBM-DL-BPNN has a smaller mean absolute percent error (MAPE), smaller overall daily absolute percentage errors, and more results in terms of absolute percentage error within the range 0-50 % than DL-BPNN and BPNN. Загрязнение ультрадисперсными частицами (УДЧ) класса PM2.5 является актуальной проб-лемой в современном мире. Прогнозирование их ежедневной концентрации является сложной задачей для исследователей. Разработана новая модель в виде ограниченной машины Больцмана обратной связи с удвоенным слоем (RBM-DL-BPNN). Эффективность предложенной модели показана на примере прогнозирования концентрации PM2.5 в городе Ханчжоу. Показатели качества воздуха, его загрязнения (PM10, УДЧ PM2.5, SO2, CO, NO2, O3), метеорологические параметры (сред-несуточная температура, точка росы, влажность, атмосферное давление, скорость ветра и количество осадков) в Ханчжоу использованы в работе для обучения и тестирования трех моделей: RBM-DL-BPNN, нейронной сети с обратной связью с двойным слоем (DL-BPNN) и нейронной сети обратного распространения (BPNN). Результаты проведенных исследований показали, что относительная погрешность результатов использования RBM-DL-BPNN является наименьшей среди изученных нейронных сетей, которая заключается в том, что количество значений этой погрешности в диапазоне 0–50 % для RBM-DL-BPNN значительно больше, чем в случаях DL-BPNN и BPNN. Забруднення ультрадисперсними частинками (УДЧ) класу PM2.5 є актуальною проблемою у сучасному світі. Прогнозування їхньої щоденної концентрації є складним завданням для дослідників. Розроблено нову модель у вигляді обмеженої машини Больцмана зворотного зв’язку з подвоєним шаром (RBM-DL-BPNN). Ефективність запропонованої моделі показано на прикладі прогнозування концентрації УДЧ РМ2,5 у місті Ханчжоу. Показники якості повітря, його забруднення (РМ10, РМ2,5, SO2, CO, NO2, O3), метеорологічні параметри (середньодобова температура, точка ро-си, вологість, атмосферний тиск, швидкість вітру та кількість опадів) у Ханчжоу використано в роботі для навчання та тестування трьох моделей: RBM-DL-BPNN, нейронної мережі зі зворотним зв’язком з подвійним шаром (DL-BPNN) і нейронної мережі зворотного поширення (BPNN). Результати проведених досліджень показали, що відносна похибка результатів використання RBM-DL-BPNN є найменшою серед вивчених нейронних мереж, яке полягає в тому, що кількість значень цієї похибки в діапазоні 0–50 % для RBM-DL-BPNN значно більше, ніж для випадків DL-BPNN і BPNN. Інститут проблем реєстрації інформації НАН України 2017-10-03 Article Article application/pdf http://drsp.ipri.kiev.ua/article/view/126541 10.35681/1560-9189.2017.19.3.126541 Data Recording, Storage & Processing; Vol. 19 No. 3 (2017); 53–64 Регистрация, хранение и обработка данных; Том 19 № 3 (2017); 53–64 Реєстрація, зберігання і обробка даних; Том 19 № 3 (2017); 53–64 1560-9189 en http://drsp.ipri.kiev.ua/article/view/126541/121505 Авторське право (c) 2021 Реєстрація, зберігання і обробка даних |