MULTIREGRESSION AND GRNN- NETWORK MODELS USING METEORO-LOGICAL PARAMETERS FOR SHORT-TERM FORECAST OF PM2.5 POLLUTION IN BISHKEK

Authors

Lyudmila I. Velikanova Machinery researching and Automatics Institute of NAS KR
N.M. Lychenko

Keywords:

PM2.5 concentration prediction, multi-regression models, generalized regression neural network GRNN, forecast error.

Abstract

Linear multi-regression model and the generalized regression neural network model (GRNN) using meteorological parameters for the short-term forecast of PM2.5 pollution in Bishkek for the summer period have been developed. It was proposed to decompose the initial data according to the measurement times in order to develop the neural network model. This allowed us to reduce the forecast error in comparison with the multi-regression model.

Keywords: PM2.5 concentration prediction, multi-regression models, generalized regression neural network GRNN, forecast error

References

Верзунов С.Н., Лыченко Н.М. Анализ и ARIMA-модели динамики изменения концентрации РМ2.5 в атмосферном воздухе г. Бишкек // Проблемы автоматики и управления. – 2019, №1 (36). – С. 21–30.

Лыченко Н.М. Регрессионный анализ метеорологических факторов и концентраций частиц PM2.5 в атмосферном воздухе г. Бишкек // Проблемы автоматики и управления. – 2019. – №2(37). – С. 5–15.

Рощупкин Э.В. Нейросетевая модель прогноза загрязнения атмосферного воздуха // Известия ТулГУ. Технические науки. Вып.4.Ч.2, 2010. – С. 266–271.

Добровольская Л.А., Клюев Д.С. Прогнозирование степени загрязнения атмос-ферного воздуха в промышленном регионе // Вісник Приазовського державного університету, серия: Техничи науки, Вип. 36, 2018. – С. 216–222

Беляев Н.Н., Славинская Е.С., Кириченко Р.В. Прогноз загрязнения атмосферного воздуха выбросами автотранспорта с учетом химической трансформации вредных веществ // Наука та прогрес транспорту. Вісник Днипропетровьского національ-ного університету залізничного транспорту, №3, 2017, с. 15–20.

Якшина Н.В. Нейросетевое моделирование процессов загрязнения окружающей среды // Диссертация на соискание ученой степени кандидата физико-математических наук, Екатеринбург, 2007.

AirNow Depatment of State // https://airnow.gov/index.cfm?action=airnow.global _summary #U.S._Department_of_State $Bishkek, (дата обращения: 30.11.2019).

Cайт «Погода и Климат» http://www.pogodaiklimat.ru, (дата обращения: 30.11.2019).

Современное прогнозирование. [Электронный ресурс]. URL: https://forecasting.svetunkov.ru/etextbook/ (дата обращения: 30.09.2019).

Медведев В.С., Потемкин В.Г. Нейронные сети. МАТЛАБ 6 // Пакеты прикладных программ, Кн.4, 2002, 496 с.

Великанова Л.И., Лыченко Н.М. Восстановление пропусков в температурных временных рядах на базе нейросетевых моделей // Проблемы автоматики и управления. – 2018. №2(35). – С. 51–58.