مقاله انگلیسی رایگان در مورد پیش بینی غلظت آلاینده های اتمسفری – الزویر ۲۰۱۹
مشخصات مقاله | |
ترجمه عنوان مقاله | یک مدل بهینه سازی توده ذرات – ماشین بردار پشتیبانی (PSO-SVM) ترکیبی مبتنی بر الگوریتم خوشه بندی برای پیش بینی غلظت آلاینده های اتمسفری کوتاه مدت |
عنوان انگلیسی مقاله | A hybrid PSO-SVM model based on clustering algorithm for short-term atmospheric pollutant concentration forecasting |
انتشار | مقاله سال ۲۰۱۹ |
تعداد صفحات مقاله انگلیسی | ۱۴ صفحه |
هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
پایگاه داده | نشریه الزویر |
نوع نگارش مقاله |
مقاله پژوهشی (Research Article) |
مقاله بیس | این مقاله بیس میباشد |
نمایه (index) | Scopus – Master Journals List – JCR |
نوع مقاله | ISI |
فرمت مقاله انگلیسی | |
ایمپکت فاکتور(IF) |
۴٫۸۵۲ در سال ۲۰۱۸ |
شاخص H_index | ۹۳ در سال ۲۰۱۹ |
شاخص SJR | ۱٫۴۲۲ در سال ۲۰۱۸ |
شناسه ISSN | ۰۰۴۰-۱۶۲۵ |
شاخص Quartile (چارک) | Q1 در سال ۲۰۱۸ |
مدل مفهومی | دارد |
پرسشنامه | ندارد |
متغیر | دارد |
رفرنس | دارد |
رشته های مرتبط | مهندسی کامپیوتر، مهندسی محیط زیست |
گرایش های مرتبط | الگوریتم و محاسبات، آلودگی هوا |
نوع ارائه مقاله |
ژورنال |
مجله / کنفرانس | پیش بینی فناورانه و تغییرات اجتماعی – Technological Forecasting and Social Change |
دانشگاه | School of Business, Central South University, Changsha 410083, PR China |
کلمات کلیدی | آلاینده های اتمسفری کوتاه مدت، پیش بینی غلظت، تجزیه و تحلیل عوامل تأثیرگذار، الگوریتم خوشه بندی، بهینه سازی توده ذرات، ماشین بردار پشتیبانی |
کلمات کلیدی انگلیسی | Short-term atmospheric pollutant، concentration forecasting، Influential factors analysis، Clustering algorithm، Particle swarm optimisation، Support vector machine |
شناسه دیجیتال – doi |
https://doi.org/10.1016/j.techfore.2019.05.015 |
کد محصول | E13282 |
وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
فهرست مطالب مقاله: |
Abstract ۱٫ Introduction ۲٫ Data collecting and pre-processing ۳٫ Influential factors analysis for SAPCF ۴٫ Architecture of the proposed hybrid PSO–SVM model based on K-means ۵٫ Case study and forecasting result analysis ۶٫ Discussions ۷٫ Conclusion Acknowledgements References |
بخشی از متن مقاله: |
Abstract
Air pollution can lead to a wide range of hazards and can affect most organisms on Earth. Therefore, managing and controlling air pollution has become a top priority for many countries. An effective short-term atmospheric pollutant concentration forecasting (SAPCF) can mitigate the negative effects of atmospheric pollution. In this paper, we propose a new hybrid forecasting model for SAPCF. Firstly, we analyse the influential factors of pollutants to obtain the optimal combination of input variables. Secondly, we use a clustering algorithm to enhance the regularity of our modelling data. Thirdly, we build a particle swarm optimisation (PSO)–support vector machine (SVM) hybrid model called PSO–SVM and perform a case study in Temple of Heaven, Beijing to test its forecasting accuracy and validate its performance against three contrastive models. The first model inputs all possible variables in equal weight without influence factor analysis. The second model integrates the same input variables used in the proposed model without clustering. The third model inputs these same variables with genetic-algorithm optimised SVM parameters. The comparison amongst these models demonstrates the superior performance of our proposed hybrid model. We further verify the forecasting results of our hybrid model by conducting statistical tests. Introduction As one of the four elements of life, air plays a major role in maintaining the ecosystem. However, human activities have seriously aggravated the degree of air pollution, thereby prompting researchers to conduct pollution analysis (Bollen, 2015) and predict pollutant concentrations (Wu et al., 2018). Given its important role in formulating effective precautionary measures, atmospheric pollutant concentration forecasting (APCF) has received much research attention (Bai et al., 2018). Previous studies have classified APCF into short-term APCF (SAPCF) (Niu et al., 2016), medium and long term APCF. Medium and long term APCF forecasts the concentration of pollutants over a relatively long period, usually ranging from months to years (Nebenzal and Fishbain, 2018), and is mainly used for planning the distribution of industrial sites or residential areas. Meanwhile, SAPCF reveals the vital status in many basic operations and is often used in planning abatement actions and transportation networks in advance (Li and Tao, 2018; Xie et al., 2018; Zhai and Chen, 2018). SAPCF can also help governments save time in responding to pollution-related problems (Y.F. Wang et al., 2018) and help individuals prevent exposure to pollutants (Soh et al., 2018). Therefore, an accurate SAPCF is of great significance at the social and individual levels. Researchers have proposed numerous methods for SAPCF in recent years as will be discussed in Section 1.1. |