МУЛЬТИРЕГРЕССИОННЫЕ И ОБОБЩЕННО- РЕГРЕССИОННЫЕ НЕЙРОСЕТЕВЫЕ МОДЕЛИ КРАТКОСРОЧНОГО ПРОГНОЗА ЗАГРЯЗНЕНИЯ РМ2.5 В Г. БИШКЕК С УЧЕТОМ МЕТЕОРОЛОГИЧЕСКИХ ПАРАМЕТРОВ

Авторы

Людмила Ивановна Великанова Институт машиноведения и автоматики НАН КР
Н.М. Лыченко

Ключевые слова:

прогноз концентраций РМ2.5, мультирегрессионные модели, обобщенно-регрессионная нейронная сеть GRNN, ошибка прогноза.

Аннотация

Разработаны модели краткосрочного прогноза загрязнения атмосферного воздуха г. Бишкек частицами РМ2.5 для летнего периода времени на основе линейной мультирегрессионной модели и обобщенно-регрессионной нейросетевой модели (GRNN) и с учетом метеорологических параметров. При разработке нейросетевой модели предложено декомпозировать исходные данные по срокам измерений. Это позволило уменьшить ошибку прогноза в сравнении с мультирегрессионной моделью

Библиографические ссылки

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.