Comparative analysis of optimization value between artificial neural network and long short-term memory for prediction particulate matter (PM2.5) in Bangkok Thailand

• Autorzy: Atiwanwong Thanpitcha , Jantakun Adirek , Sangsongfa Adisak

Identyfikatory

DOI

10.15199/48.2023.07.17

Warianty tytułu

PL

Analiza porównawcza wartości optymalizacji między sztuczną siecią neuronową a długoterminową pamięcią dla przewidywania cząstek stałych (PM2,5) w Bangkoku w Tajlandii

• Języki publikacji: EN

Abstrakty

EN

The crisis that the general public is worried about is particulate matter as small as 2.5 microns, which is invisible to the naked eye, causing a great lack of awareness of health hazards. One of the key goals and visions of government leaders around the world is to tackle PM2.5 particulate matter, but without measurements, reports and predictions, how will it lead to emission reduction and remedial steps? Therefore, the prediction of PM2.5 is considered as the main factor that will help to reduce the pollution of PM2.5. So, Neural networks have been widely used in predictive research, but the problem is What type of neural network would be most suitable for predicting the value of PM2.5? In this research, the predictions were compared between Artificial Neural Network (ANN) and Long Short -Term Memory (LSTM) using values measured from the performance test results with accuracy. The results showed that when the values of similar hyperparameters were given different results, the average ANN accuracy is 91.1460%. The average accuracy LSTM is 96.8496%. The values obtained from the comparison clearly show that for the prediction of PM2.5, the LSTM neural network was significantly more suitable than the ANN neural network.

PL

Kryzys, który niepokoi opinię publiczną, to pył zawieszony o wielkości zaledwie 2,5 mikrona, który jest niewidoczny gołym okiem, powodując ogromny brak świadomości zagrożeń dla zdrowia. Jednym z kluczowych celów i wizji przywódców rządów na całym świecie jest rozwiązanie problemu pyłu zawieszonego PM2,5, ale bez pomiarów, raportów i prognoz, w jaki sposób doprowadzi to do redukcji emisji i działań zaradczych? Dlatego prognoza PM2,5 jest uważana za główny czynnik, który pomoże zmniejszyć zanieczyszczenie PM2,5. Tak więc sieci neuronowe były szeroko stosowane w badaniach predykcyjnych, ale problem polega na tym, jaki typ sieci neuronowej byłby najbardziej odpowiedni do przewidywania wartości PM2,5? W tym badaniu porównano przewidywania między sztuczną siecią neuronową (ANN) a pamięcią długokrótkoterminową (LSTM) przy użyciu wartości zmierzonych z wynikami testu wydajności z dużą dokładnością. Wyniki pokazały, że przy różnych wartościach podobnych hiperparametrów średnia dokładność ANN wynosi 91,1460%. Średnia dokładność LSTM wynosi 96,8496%. Uzyskane z porównania wartości jednoznacznie wskazują, że do predykcji PM2,5 sieć neuronowa LSTM okazała się znacznie bardziej odpowiednia niż sieć neuronowa ANN.

Słowa kluczowe

EN

artificial neural network; long short-term memory; comparative neural network

PL

sztuczna sieć neuronowa; pamięć krótkotrwała; porównawcza sieć neuronowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 7
• Strony: 89--95
• Opis fizyczny: Bibliogr. 20 poz., rys., tab., wykr.

Twórcy

autor

Atiwanwong Thanpitcha

• Rajamangala University of Technology Isan, Khon Kaen Campus, Thailand

• https://orcid.org/0000-0001-9388-0390

autor

Jantakun Adirek

• Rajamangala University of Technology Isan, Khon Kaen Campus,Thailand

• https://orcid.org/0000-0001-8474-9315

autor

Sangsongfa Adisak

• Rajabhat Mu-Ban Chombueng University, Thailand

• https://orcid.org/0000-0002-6231-4000

Bibliografia

• [1] T. Airveda, What is pm2.5 and why is it important?, Airveda, (2017), [Online]. Available: https://www.airveda.com/ |blog/what-is-pm2-5-and-why-is-it-important
• [2] Ambient air pollution, World Health Organization: Health Impact, Institute for Health and Evaluation, University of Washington, (2020).
• [3] Wang, Xianghong, and Baozhen Wang. Research on prediction of environmental aerosol and PM2. 5 based on artificial neural network. Neural Computing and Applications 31.12 (2019): 8217-8227.
• [4] Mahajan, Sachit, et al. Improving the accuracy and efficiency of PM2. 5 forecast service using cluster-based hybrid neural network model. IEEE Access 6 (2018): 19193-19204.
• [5] I. G. McKendry, Evaluation of artificial neural network for fine particulate (pm10 and pm2.5) forecasting, Journal of the Air and Waste Management Association, (2002) vol. 52, 1096– 1101.
• [6] Y. Qi, Q. Li, H. Karimian, and D. Liu, A hybrid model for spatiotemporal forecasting of pm2.5 based on graph convolutional neural network and long short-term memory, Science of The Total Environment, (2019), vol. 664, 02.
• [7] D. Seng, Q. Zhang, X. Zhang, G. Chen, and X. Chen, Spatiotemporal prediction of air quality based on lstm neural network, Alexandria Engineering Journal, (2020), vol. 60, 12.
• [8] T. Atiwanwong and S. Hongprasit, A low-power real-time pollution monitoring system using esp lora, Mahasarakham International Journal of Engineering Technology, (2020), vol. 6, no. 1, 36–40.
• [9] Shah, Syed Ahsin Ali, et al. A hybrid model for forecasting of particulate matter concentrations based on multiscale characterization and machine learning techniques. Mathematical Biosciences and Engineering 18.3 (2021): 1992- 2009.
• [10] IBM, Neural networks, IBM Cloud Education, (2020), August 17, accessed on 2022-5-30. [Online]. Available: https://www.ibm.com/cloud/learn/neuralnetworks
• [11] Feng, Xiao, et al. Artificial neural networks forecasting of PM2. 5 pollution using air mass trajectory based geographic model and wavelet transformation. Atmospheric Environment 107 (2015): 118-128.
• [12] Asquero, Advantages and disadvantages of artificial neural networks, Deep Learning, (2020), [Online]. Available: https://www.asquero.com/article/advantages-and-disadvantages-of-artificial-neural-networks/
• [13] S. Saxena., Introduction to long short-term memory (lstm). Analytics Vidhya, (2021), [Online]. Available: https://www.analyticsvidhya.com/blog/2021/03/introduction-to-long-short-term-memory-lstm/
• [14] GeeksforGeeks., Understanding of lstm networks. why Learn Data Science, (2021), [Online]. Available: https://www.geeksforgeeks.org/understanding-of-lstm-networks/
• [15] Y. Jiao, Z. Wang, and Y. Zhang., Prediction of air quality index based on LSTM. in Proceedings of 2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference, (2019), ITAIC, 17–20. http://dx.doi.org/10.1109/ITAIC.2019.8785602.
• [16] H. Sepp and S. Jurgen., Long short term memory. Neural Computation, (1997), vol. 9, no. 8, 1735-1780. http://dx.doi.org/10.1162/neco.1997.9.8.1735
• [17] M. Chovatiya, A. Dhameliya, J. Deokar, J. Gonsalves, and A. Mathur., Prediction of dengue using recurrent neural network. in Proceedings of the International Conference on Trends in Electronics and Informatics, (2019), vol. 2019–April, 926–929. http://dx.doi.org/10.1109/ICOEI.2019.8862581
• [18] Greff, K., Srivastava, R. K., Koutník, J., Steunebrink, B. R., & Schmidhuber, J., LSTM: A Search Space Odyssey. IEEE Transactions on Neural Networks and Learning Systems, (2017), 28 (10), 2222-2232. http://dx.doi.org/10.1109/TNNLS.2016.2582924
• [19] C. Olah., Understanding lstm networks Neural Networks, (2022), [Online]. Available: https://colah.github.io/posts/2015- 08-Understanding-LSTMs/
• [20] G. Singh, Introduction to Artificial Neural Networks. Analytics Vidhya, (2021), [Online]. Available: https://www.analyticsvidhya.com/blog/2021/09/introduction-to-artificial-neural-networks/

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).