Prognozowanie zawartości PM2,5 w powietrzu atmosferycznym przy użyciu sieci ELM

• Autorzy: Siwek K. , Baranowski M. , Grzywacz T.

Identyfikatory

DOI

10.21008/j.1897-0737.2018.96.0027

Warianty tytułu

EN

PM2,5 particulate pollution forecasting using ELM

• Konferencja: Computer Applications in Electrical Engineering (23-24.04.2018 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia nowe podejście do predykcji zawartości pyłów zawieszonych w powietrzu atmosferycznym wykorzystujące sieć neuronową typu ELM (Extreme Learning Machine). Predykcja ta dotyczy obliczenia średniego poziomu zanieczyszczenia powietrza pyłem PM2,5 na warszawskim Ursynowie z jednodniowym wyprzedzeniem. Do zrozumienia wagi problemu zawarto zwięzły opis zagrożeń, jakie niesie za sobą zanieczyszczenie powietrza drobnym pyłem zawieszonym PM2,5. W pracy przedstawiono krótki opis sieci ELM oraz zaprezentowano uzyskane wyniki prognozy. Przeprowadzono analizę uzyskanych wyników. Omówiono zasadność prognozowania oraz wskazano możliwe środki zapobiegawcze i ochronne.

EN

The article presents a new approach to atmospheric dust prediction using an ELM (Extreme Learning Machine) neural network. This prediction concerns the calculation of the average level of PM2,5 air pollution in Warsaw's Ursynów one day ahead. To understand the significance of the problem, a brief description of the hazards posed by PM2,5 air pollution is included. The work presents a short description of the ELM network and presents the obtained forecast results. The analysis of the obtained results was carried out. The validity of forecasting was discussed and possible preventive and protective measures were indicated.

Słowa kluczowe

PL

zanieczyszczenie powietrza atmosferycznego; PM2.5; sieci neuronowe; Extreme Learning Machine; ELM

• Wydawca: Wydawnictwo Politechniki Poznańskiej
• Czasopismo: Poznan University of Technology Academic Journals. Electrical Engineering
• Rocznik: 2018
• Tom: No. 96
• Strony: 307--318
• Opis fizyczny: Bibliogr. 6 poz., rys., tab.

Twórcy

autor

Siwek K.

• Politechnika Warszawska

autor

Baranowski M.

• Politechnika Warszawska

autor

Grzywacz T.

• Politechnika Warszawska

Bibliografia

• [1] Siwek K., Osowski S., Data mining methods for prediction of air pollution, Int. J. Appl. Math. Comput. Sci., Vol. 26, No. 2, 467–478, 2016.
• [2] Rückerl R., Schneider A., Breitner S., Cyrys J., Peters A., Health effects of particulate air pollution: A review of epidemiological evidence, Inhalation Toxicology, 23(10): 555–592, 2011.
• [3] Raport Europejskiej Agencji Środowiska (EEA), Air quality in Europe, 2016.
• [4] Huang G.B., Zhu Q.Y., Siew C.K., Extreme Learning Machine: Theory and applications, 1-10, 2016.
• [5] Huang G.B., Zhu Q.Y., Siew C.K., Extreme learning machine: a new learning scheme of feedforward neural networks, IEEE International Joint Conference on Neural Networks, Budapest, Hungary, 2004.
• [6] Huang G.B., Liang N.Y., Rong H.J., Saratchandran P., Sundararajan N., On-Line Sequential Extreme Learning Machine, The IASTED International Conference on Computational Intelligence (CI 2005), Calgary, Canada, July 4-6, 2005.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).