Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Cumulative Training Approach to Schistosomiasis Vector Density Prediction Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Applying Artificial Neural Networks to Short-Term PM2.5 Forecasting Modeling

verfasst von : Mihaela Oprea, Sanda Florentina Mihalache, Marian Popescu

Erschienen in: Artificial Intelligence Applications and Innovations

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Air pollution with suspended particles from PM2.5 fraction represents an important factor to increasing atmospheric pollution degree in urban areas, with a significant potential effect on the health of vulnerable people such as children and elderly. PM2.5 air pollutant concentration continuous monitoring represents an efficient solution for the environment management if it is implemented as a real time forecasting system which can detect the PM2.5 air pollution trends and provide early warning or alerting to persons whose health might be affected by PM2.5 air pollution episodes. The forecasting methods for PM concentration use mainly statistical and artificial intelligence-based models. This paper presents a model based protocol, MBP – PM 2.5 forecasting protocol, for the selection of the best ANN model and a case study with two artificial neural network (ANN) models for real time short-term PM2.5 forecasting.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Hybrid Soft Computing Approach Producing Robust Forest Fire Risk Indices
Nächstes Kapitel Modeling Mental Workload Via Rule-Based Expert System: A Comparison with NASA-TLX and Workload Profile
Literatur
1.
Kampa, M., Castanas, E.: Human health effects of air pollution. Environ. Pol. 151, 362–367 (2008)CrossRef
2.
Qin, G., Meng, Z.: Effects of sulfur dioxide derivatives on expression of oncogenes and tumor suppressor genes in human bronchial epithelial cells. Food Chem. Toxicol. 47, 734–744 (2009)CrossRef
3.
Baker, K.R., Foley, K.M.: A nonlinear regression model estimating single source concentrations of primary and secondarily formed PM2.5. Atmos. Environ. 45, 3758–3767 (2011)CrossRef
4.
Nebot, A., Mugica, F.: Small-particle pollution modeling using fuzzy approaches. In: Obaidat, M.S., Filipe, J., Kacprzyk, J., Pina, N. (eds.) Simulation and Modeling Methodologies. AISC, vol. 256, pp. 239–252. Springer, Heidelberg (2014)CrossRef
5.
Oprea, M., Dragomir, E.G., Mihalache, S.F., Popescu, M.: Prediction methods and techniques for PM2.5 concentration in urban environment (in Romanian). In: Iordache, S., Dunea, D. (eds.) Methods to Assess the Effects of Air Pollution with Particulate Matter on Children’s Health (in Romanian), pp. 387–428. MatrixRom, Bucharest (2014)
6.
Kumar, N., Chu, A., Foster, A.: An empirical relationship between PM2.5 and aerosol optical depth in Delhi metropolitan. Atmos. Environ. 41(21), 4492–4503 (2007)CrossRef
7.
Akkoyunlu, A., Yetilmezsoy, K., Erturk, F., Oztemel, E.: A neural network-based approach for the prediction of urban SO2 concentrations in the Istanbul metropolitan area. Inter. J. Environ. Pol. 40, 301–321 (2010)CrossRef
8.
Yilmaz, I., Kaynar, O.: Multiple regression, ANN (RBF, MLP) and ANFIS models for prediction of swell potential of clayey soils. Expert Syst. Appl. 38, 5958–5966 (2011)CrossRef
9.
Morabito, F.C., Versaci, M.: Fuzzy neural identification and forecasting techniques to process experimental urban air pollution data. Neural Netw. 16, 493–506 (2003)CrossRef
10.
Yildirim, Y., Bayramoglu, M.: Adaptive neuro-fuzzy based modelling for prediction of air pollution daily levels in city of Zonguldak. Chemosphere 63, 1575–1582 (2006)CrossRef
11.
Ashish, M., Rashmi, B.: Prediction of daily air pollution using wavelet decomposition and adaptive-network-based fuzzy inference system. Int. J. Environ. Sci. 2(1), 185–196 (2011)
12.
Haykin, S.: Neural networks. A comprehensive foundation. Pearson Education Inc., New Delhi (1999)MATH
13.
Hornik, K.: Approximation capabilities of multilayer feed-forward networks. Neural Netw. 4, 251–257 (1991)CrossRef
14.
Mandic, D., Chambers, J.: Recurrent Neural Networks for Prediction Learning Algorithms, Architectures and Stability. Wiley, New York (2001)CrossRef
15.
Kurt, A., Oktay, A.B.: Forecasting air pollutant indicator levels with geographic models 3 days in advance using neural networks. Expert Syst. Appl. 37, 7986–7992 (2010)CrossRef
16.
Fernando, H.J., Mammarella, M.C., Grandoni, G., Fedele, P., Di Marco, R., Dimitrova, R., Hyde, P.: Forecasting PM10 in metropolitan areas. Efficacy of neural networks. Environ. Pollut. 163, 62–67 (2012)CrossRef
17.
Feng, X., Li, Q., Zhu, Y., Hou, J., Jin, L., Wang, J.: Artificial neural networks forecasting of PM2.5 pollution using air mass trajectory based geographic model and wavelet transformation. Atmos. Environ. 107, 118–128 (2015)CrossRef
18.
Oprea, M., Mihalache, S.F., Popescu M.: A comparative study of computational intelligence techniques applied to PM2.5 air pollution forecasting. In: Proceedings of 2016 6th International Conference on Computers Communications and Control (ICCCC), pp. 103–108. Baile Felix, Oradea, Romania (2016)
Metadaten
Titel
Applying Artificial Neural Networks to Short-Term PM2.5 Forecasting Modeling
verfasst von
Mihaela Oprea
Sanda Florentina Mihalache
Marian Popescu
Copyright-Jahr
2016
Buch
Artificial Intelligence Applications and Innovations

Print ISBN: 978-3-319-44943-2

Electronic ISBN: 978-3-319-44944-9

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-44944-9_18