論文の概要: A Model for Forecasting Air Quality Index in Port Harcourt Nigeria Using Bi-LSTM Algorithm

• arxiv url: http://arxiv.org/abs/2302.03930v1
• Date: Wed, 8 Feb 2023 08:09:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-09 16:55:45.733115
• Title: A Model for Forecasting Air Quality Index in Port Harcourt Nigeria Using Bi-LSTM Algorithm
• Title（参考訳）: Bi-LSTMアルゴリズムを用いたナイジェリア港の大気質指数予測モデル
• Authors: O. E. Taylor and P. S. Ezekiel
• Abstract要約: 本稿では,二方向LSTMモデルを用いてナイジェリアの大気質指数を予測するモデルを提案する。 大気汚染データはオンラインデータベース(UCL)からダウンロードされ、両方のパンダツールをピソンで前処理した。 Bi-LSTMモデルは平均二乗誤差,平均絶対誤差,絶対平均二乗,R2二乗などの評価パラメータを用いて評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The release of toxic gases by industries, emissions from vehicles, and an increase in the concentration of harmful gases and particulate matter in the atmosphere are all contributing factors to the deterioration of the quality of the air. Factors such as industries, urbanization, population growth, and the increased use of vehicles contribute to the rapid increase in pollution levels, which can adversely impact human health. This paper presents a model for forecasting the air quality index in Nigeria using the Bi-directional LSTM model. The air pollution data was downloaded from an online database (UCL). The dataset was pre-processed using both pandas tools in python. The pre-processed result was used as input features in training a Bi-LSTM model in making future forecasts of the values of the particulate matter Pm2.5, and Pm10. The Bi-LSTM model was evaluated using some evaluation parameters such as mean square error, mean absolute error, absolute mean square, and R^2 square. The result of the Bi-LSTM shows a mean square error of 52.99%, relative mean square error of 7.28%, mean absolute error of 3.4%, and R^2 square of 97%. The model. This shows that the model follows a seamless trend in forecasting the air quality in Port Harcourt, Nigeria.
• Abstract（参考訳）: 産業による有害ガスの放出、自動車からの排出、大気中の有害ガスや粒子状物質の濃度の増加は、いずれも空気の質の低下に寄与する要因である。 産業、都市化、人口増加、自動車の利用の増加といった要因は、汚染レベルの増加に寄与し、人間の健康に悪影響を及ぼす可能性がある。 本稿では,二方向LSTMモデルを用いてナイジェリアの大気質指数を予測するモデルを提案する。 大気汚染データは、オンラインデータベース(UCL)からダウンロードされた。 データセットはpythonのpandasツールを使って事前に処理された。 その結果,Bi-LSTMモデルを用いて粒子状物質Pm2.5,Pm10の値の将来の予測を行った。 Bi-LSTMモデルは平均平方誤差,平均絶対誤差,絶対平均平方,R^2平方などの評価パラメータを用いて評価した。 Bi-LSTMの結果、平均平方誤差は52.99%、相対平均平方誤差は7.28%、絶対絶対誤差は3.4%、R^2平方誤差は97%である。 モデル。 このモデルはナイジェリアのポートハーコートにおける空気質予測においてシームレスな傾向を示している。

関連論文リスト

• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
  CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。 微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。 5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
  論文  参考訳（メタデータ） (2024-09-29T08:18:50Z)
• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• Indoor PM2.5 forecasting and the association with outdoor air pollution: a modelling study based on sensor data in Australia [8.864955783255803]
  本研究は, オーストラリアの24の異なる建物において, 毎時室内微粒子物質(PM2.5)濃度を予測することを目的とする。 室内空気質データは、2019年から2022年までの8都市で91個の監視センサーから収集された。 屋外PM2.5濃度は室内の空気質に大きな影響を与え、特に森林火災などのイベントでは顕著であった。
  論文  参考訳（メタデータ） (2024-05-13T00:51:36Z)
• Predictive Modelling of Air Quality Index (AQI) Across Diverse Cities and States of India using Machine Learning: Investigating the Influence of Punjab's Stubble Burning on AQI Variability [0.5266869303483376]
  この研究は大気中の異なる大気汚染物質濃度に基づいてAQIを予測した。 このデータセットは、デリー、ハリアナ、パンジャーブの各都市で22の異なる観測所から空気汚染物質濃度を計測する。 CatBoost、XGBoost、Random Forest、SVM回帰器、時系列モデルSARIMAX、ディープラーニングモデルLSTMといったMLモデルは、AQIを予測するために使用されている。
  論文  参考訳（メタデータ） (2024-04-11T05:03:40Z)
• Air Quality Forecasting Using Machine Learning: A Global perspective with Relevance to Low-Resource Settings [0.0]
  大気汚染は世界第4位の死因である。 本研究では,2ヶ月の空気質データを用いた高精度な空気質予測のための新しい機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-09T05:52:02Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• A comparative study of statistical and machine learning models on near-real-time daily emissions prediction [0.0]
  二酸化炭素排出量の急激な上昇は、地球温暖化と気候変動の大きな原因である。 本稿は、2020年1月1日から2022年9月30日までの日中排出量予測に適したモデルを選択することを目的とする。
  論文  参考訳（メタデータ） (2023-02-02T15:14:27Z)
• AirFormer: Predicting Nationwide Air Quality in China with Transformers [43.48965814702661]
  AirFormerは中国全国の空気質を総合的に予測する新しいトランスフォーマーアーキテクチャである。 AirFormerは72時間の予測で予測エラーを5%削減する。
  論文  参考訳（メタデータ） (2022-11-29T07:22:49Z)
• Perturbation Augmentation for Fairer NLP [33.442601687940204]
  少なくとも、モデルフェアネスを測定するための最良の指標によると、人口動態に乱れたコーパスで事前訓練された言語モデルは、より公平である。 我々の発見は有望であるように思われるが、大きな言語モデルの(不)公正性を評価するのにどのように最適かという優れた疑問だけでなく、まだいくつかの制限がある。
  論文  参考訳（メタデータ） (2022-05-25T09:00:29Z)
• Evaluation of Time Series Forecasting Models for Estimation of PM2.5 Levels in Air [0.0]
  この研究では、環境中のPM2.5濃度を推定するために、ARIMA、FBProphet、LSTM、1D CNNなどのディープラーニングモデルを採用する。 予測結果から,すべての手法が平均根平均二乗誤差で比較結果を与えることがわかった。
  論文  参考訳（メタデータ） (2021-04-07T16:24:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。