論文の概要: Optimizing PM2.5 Forecasting Accuracy with Hybrid Meta-Heuristic and Machine Learning Models

• arxiv url: http://arxiv.org/abs/2407.01647v1
• Date: Mon, 1 Jul 2024 05:24:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 19:52:16.186952
• Title: Optimizing PM2.5 Forecasting Accuracy with Hybrid Meta-Heuristic and Machine Learning Models
• Title（参考訳）: ハイブリッドメタヒューリスティックおよび機械学習モデルによるPM2.5予測精度の最適化
• Authors: Parviz Ghafariasl, Masoomeh Zeinalnezhad, Amir Ahmadishokooh,
• Abstract要約: 本研究は,支援ベクトル回帰(SVR)を用いた時間PM2.5濃度の予測に焦点を当てた。 予測精度を高めるために,メタヒューリスティックアルゴリズム,Grey Wolf Optimization (GWO) および Particle Swarm Optimization (PSO) を用いる。 その結果、PSO-SVR(R2: 0.9401, RMSE: 0.2390, MAE: 0.1368)とGWO-SVR(R2: 0.9408, RMSE: 0.2376, MAE: 0.1373)の大幅な改善が見られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Timely alerts about hazardous air pollutants are crucial for public health. However, existing forecasting models often overlook key factors like baseline parameters and missing data, limiting their accuracy. This study introduces a hybrid approach to address these issues, focusing on forecasting hourly PM2.5 concentrations using Support Vector Regression (SVR). Meta-heuristic algorithms, Grey Wolf Optimization (GWO) and Particle Swarm Optimization (PSO), optimize SVR Hyper-parameters "C" and "Gamma" to enhance prediction accuracy. Evaluation metrics include R-squared (R2), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE). Results show significant improvements with PSO-SVR (R2: 0.9401, RMSE: 0.2390, MAE: 0.1368) and GWO-SVR (R2: 0.9408, RMSE: 0.2376, MAE: 0.1373), indicating robust and accurate models suitable for similar research applications.
• Abstract（参考訳）: 有害な大気汚染物質に関するタイムリーな警告は公衆衛生にとって不可欠である。 しかし、既存の予測モデルは、ベースラインパラメータや欠落データといった重要な要素を見落とし、精度を制限していることが多い。 本研究では,これらの問題に対処するためのハイブリッドアプローチを導入し,Support Vector Regression(SVR)を用いたPM2.5時間濃度の予測に焦点を当てた。 メタヒューリスティックアルゴリズム、Grey Wolf Optimization (GWO) と Particle Swarm Optimization (PSO)、SVR Hyper-parameters "C" と "Gamma" を最適化し、予測精度を向上させる。 評価指標には、R-squared (R2)、Root Mean Square Error (RMSE)、Mean Absolute Error (MAE)がある。 PSO-SVR (R2: 0.9401, RMSE: 0.2390, MAE: 0.1368) と GWO-SVR (R2: 0.9408, RMSE: 0.2376, MAE: 0.1373) は、同様の研究用途に適した堅牢で正確なモデルを示している。

関連論文リスト

• Enhancing Retail Sales Forecasting with Optimized Machine Learning Models [0.0]
  小売売上高予測では、在庫管理と戦略的計画にとって、将来の売上を正確に予測することが不可欠である。 機械学習(ML)の最近の進歩は、より堅牢な代替手段を提供する。 この研究はML、特にランダムフォレスト(RF)、グラディエントブースティング(GB)、サポートベクター回帰(SVR)、XGBoostの力の恩恵を受けている。
  論文  参考訳（メタデータ） (2024-10-17T17:11:33Z)
• Rethinking Reward Model Evaluation: Are We Barking up the Wrong Tree? [46.396681032860414]
  RMの精度の違いが、最適化されたポリシー性能のギャップにどのように変換されるかを検討する。 精度の測定方法が最終的な政策性能を予測する能力に大きく影響していることが判明した。
  論文  参考訳（メタデータ） (2024-10-08T00:52:03Z)
• Variational Mode Decomposition and Linear Embeddings are What You Need For Time-Series Forecasting [2.1233286062376497]
  変動モード分解(VMD)は、データを異なるモードに分解することでボラティリティを緩和する有望な手法として登場した。 本研究では,線形モデルとVMDを統合し,ロバストな予測フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-08-28T20:22:09Z)
• Enhancing Microgrid Performance Prediction with Attention-based Deep Learning Models [0.0]
  本研究の目的は、グリッド不安定性に寄与する電力振動を特徴とするマイクログリッドシステムの運用上の課題に対処することである。 畳み込みとGRU(Gated Recurrent Unit)の強みを活かした統合戦略が提案されている。 このフレームワークは、包括的な負荷予測を行うMulti-Layer Perceptron(MLP)モデルによって固定されている。
  論文  参考訳（メタデータ） (2024-07-20T21:24:11Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• 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)
• Restricted Bernoulli Matrix Factorization: Balancing the trade-off between prediction accuracy and coverage in classification based collaborative filtering [45.335821132209766]
  本稿では,Restricted Bernoulli Matrix Factorization (ResBeMF) を提案する。 提案モデルでは,他のレコメンデーションモデルと比較して,品質指標のバランスが良好である。
  論文  参考訳（メタデータ） (2022-10-05T13:48:19Z)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)
• Empirical Models for Multidimensional Regression of Fission Systems [0.0]
  我々は、中性子輸送の多次元回帰のための経験的モデルを開発するためのガイドラインを開発する。 精度と精度を評価すると、SVRがANNに追随し、最高の性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2021-05-30T22:53:39Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。