Prediction of Air Quality Indices by Neural Networks and Fuzzy Inference Systems - The Case of Pardubice Microregion

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25410%2F13%3A39899273" target="_blank" >RIV/00216275:25410/13:39899273 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-642-41013-0_31" target="_blank" >http://dx.doi.org/10.1007/978-3-642-41013-0_31</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-41013-0_31" target="_blank" >10.1007/978-3-642-41013-0_31</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Prediction of Air Quality Indices by Neural Networks and Fuzzy Inference Systems - The Case of Pardubice Microregion

Popis výsledku v původním jazyce

This paper presents a design of models for air quality prediction using feed-forward neural networks of perceptron and Takagi-Sugeno fuzzy inference systems. In addition, the sets of input variables are optimized for each air pollutant prediction by genetic algorithms. Based on data measured by the monitoring station of the Pardubice city, the Czech Republic, models are designed to predict air quality indices for each air pollutant separately and consequently, to predict the common air quality index. Considering the root mean squared error, the results show that the compositions of individual prediction models outperform single predictions of common air quality index. Therefore, these models can be applied to obtain more accurate one day ahead predictions of air quality indices.

Název v anglickém jazyce

Prediction of Air Quality Indices by Neural Networks and Fuzzy Inference Systems - The Case of Pardubice Microregion

Popis výsledku anglicky

This paper presents a design of models for air quality prediction using feed-forward neural networks of perceptron and Takagi-Sugeno fuzzy inference systems. In addition, the sets of input variables are optimized for each air pollutant prediction by genetic algorithms. Based on data measured by the monitoring station of the Pardubice city, the Czech Republic, models are designed to predict air quality indices for each air pollutant separately and consequently, to predict the common air quality index. Considering the root mean squared error, the results show that the compositions of individual prediction models outperform single predictions of common air quality index. Therefore, these models can be applied to obtain more accurate one day ahead predictions of air quality indices.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/TD010130" target="_blank" >TD010130: Regionalizace indikátorů ekonomické výkonnosti ve vazbě na kvalitu životního prostředí</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Engineering Applications of Neural Networks: 14th International Conference, EANN 2013, Halkidiki, Greece, September 13-16, 2013, Proceedings, Part I

ISBN

978-3-642-41012-3

ISSN

1865-0929

e-ISSN

—

Počet stran výsledku

11

Strana od-do

302-312

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Halkidiki

Datum konání akce

13. 9. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000345333800031