Forecasting concentrations of air pollutants using support vector regression improved with particle swarm optimization: Case study in Aburrá Valley, Colombia

Murillo-Escobar, J.; Sepulveda-Suescun, Juan; Correa, Mauricio; Orrego-Metaute, D. A.

doi:10.1016/j.uclim.2019.100473

Cited by 70 publications

(26 citation statements)

References 37 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…When a bird attains an ideal position, the position is referred to as its individual best, since the position factors in the peculiarities of the bird itself. However, the global best position comes into play when a bird attains the best position with respect to the swarm [31,35]. With the individual experience of each bird and the experiences perceived by other birds in the swarm, the position and velocity (individual best and global best positions and the velocities) are updated and refreshed accordingly.…”

Section: Particle Swarm Optimization (Pso)mentioning

confidence: 99%

See 1 more Smart Citation

Modeling the Optical Properties of a Polyvinyl Alcohol-Based Composite Using a Particle Swarm Optimized Support Vector Regression Algorithm

Owolabi

Rahman

2021

Polymers

View full text Add to dashboard Cite

We developed particle swarm optimization-based support vector regression (PSVR) and ordinary linear regression (OLR) models for estimating the refractive index (n) and energy gap (E) of a polyvinyl alcohol composite. The n-PSVR model, which can estimate the refractive index of a polyvinyl alcohol composite using the energy gap as a descriptor, performed better than the n-OLR model in terms of root mean square error (RMSE) and mean absolute error (MAE) metrics. The E-PSVR model, which can predict the energy gap of a polyvinyl alcohol composite using its refractive index descriptor, outperformed the E-OLR model, which uses similar descriptor based on several performance measuring metrics. The n-PSVR and E-PSVR models were used to investigate the influences of sodium-based dysprosium oxide and benzoxazinone derivatives on the energy gaps of a polyvinyl alcohol polymer composite. The results agreed well with the measured values. The models had low mean absolute percentage errors after validation with external data. The precision demonstrated by these predictive models will enhance the tailoring of the optical properties of polyvinyl alcohol composites for the desired applications. Costs and experimental difficulties will be reduced.

show abstract

Section: Particle Swarm Optimization (Pso)mentioning

confidence: 99%

“…The final regression function after Lagrange multipliers and subsequent transformation to original dual space is presented in Equation (8) [ 31 ].

…”

Section: Mathematical Descriptions Of the Algorithmsmentioning

confidence: 99%

Modeling the Optical Properties of a Polyvinyl Alcohol-Based Composite Using a Particle Swarm Optimized Support Vector Regression Algorithm

Owolabi

Rahman

2021

Polymers

View full text Add to dashboard Cite

show abstract

“…Con el fin de obtener un espacio de representación para realizar una predicción con 24 horas de anticipación de la concentración de PM 10 y PM 2.5 utilizando una SVR-PSO (Figura 1), se llevó a cabo una caracterización en tiempo y tiempo-frecuencia de la concentración de los contaminantes y de las variables meteorológicas medidas por el SIATA, la caracterización en tiempo, ha sido con base al trabajo desarrollado previamente en (Murillo-Escobar et al, 2019).…”

Section: Caracterizaciónunclassified

Análisis de características tiempo-frecuencia para la predicción de series temporales de Material Particulado usando Regresión por Vectores de Soporte y Optimización por Enjambre de Partículas

Suescun

Zuluaga

Escobar

et al. 2020

reveia

View full text Add to dashboard Cite

La contaminación atmosférica por Material Particulado (PM) es un problema claramente reconocido a nivel mundial como uno de los factores de riesgo más importantes para la salud humana, en los últimos años han surgido diferentes modelos basados en inteligencia artificial para predecir la concentración de PM, con el fin de generar sistemas de alerta temprana que eviten la exposición de las personas. En este trabajo, se analizó un esquema de caracterización en el dominio tiempo-frecuencia usando la transformada Wavelet para la predicción de series temporales de PM10 y PM2.5 usando un algoritmo de Regresión por Vectores de Soporte optimizado por Enjambre de Partículas (SVR-PSO), además, se evaluó el efecto de la imputación de datos sobre las estimaciones. Los resultados obtenidos mostraron que, empleando características temporales, más las características tiempo-frecuencia propuestas, se obtiene el mejor desempeño de la SVR-PSO, además se encontró que el uso de la imputación de datos no afecta el desempeño de la SVR-PSO. El sistema propuesto en este trabajo permite disminuir el error de las estimaciones de concentración de PM10 y PM2.5 haciendo uso de características tiempo-frecuencia y es capaz de operar de forma robusta contra datos perdidos, aumentando su viabilidad de ser implementado en escenarios reales.

show abstract

“…Geleneksel sınıflandırma algoritmaları, veri madenciliği görevlerini yerine getirmek için geliştirilmiş olan sınıflandırma algoritmalarını ifade etmektedir. Bu algoritmalara örnek olarak LASSO Regresyon [2][3][4], Destek Vektör Makinesi (Support Vector Machines -SVM) [5][6][7][8], Rastgele Orman (Random Forest) [9][10][11][12], k En Yakın Komşu algoritmaları (k Nearest Neighbor -kNN) [13][14] sayılabilir. Derin öğrenme yöntemleri olarak kullanılan yöntemler ise Derin Sinir Ağları (Deep Neural Networks -DNN) [15][16][17][18], Evrişimli Sinir Ağları (Convolutional Neural Networks -CNN) [19][20][21][22] ve Yinelemeli Sinir Ağları (Recurrent Neural Networks -RNN) [23,24] olarak sayılabilir.…”

Section: Introductionunclassified

Hava Kali̇tesi̇ Parametreleri̇ni̇n Tahmi̇ni̇ Ve Mekansal Dağilimi İçi̇n Maki̇ne Öğrenmesi̇ Yöntemleri̇ni̇n Kullanilmasi

Dokuz¹,

Bozdağ²,

Gökçek³

2020

Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi

View full text Add to dashboard Cite

Hava kirliliği, nüfus ve endüstrileşmenin artması ile birlikte günümüzde küresel boyutta yaşanan sorunlardan biri haline gelmiştir. Bu nedenle hava kirletici parametreler düzenli aralıklarla ölçülmeli ve ölçüm sonuçları değerlendirilerek gerekli tedbirler alınmalıdır. Hava kirliliğinin önlenmesi amacıyla kirletici parametreler bir model kapsamında ele alınması ve tahmin sonuçlarının mekânsal olarak değerlendirilmesi gerekmektedir. Son zamanlarda hava kirliliğine yönelik objektif ve daha hassas sonuçların elde edilmesi için yapay zeka teknolojilerine ait makine öğrenmesi algoritmalarından yararlanılarak hava kalitesi tahmini ve mekânsal dağılımına ilişkin çalışmalar yapılmaktadır. Bu çalışmada, öncelikli olarak hava kirletici parametrelerin özellikleri, çevreye olan etkileri ve bu parametrelerin tahmin edilmesi ve izlenmesinin gerekliliği açıklanmıştır. Ardından bu parametrelerin değerlendirilmesinde uygulanan makine öğrenmesi yöntemlerinin neler olduğu; hangi parametrelerin kullanıldığı, kullanım amaçları, kısıtlılıkları, elde edilen doğruluk düzeyleri ve arazi kullanım ile ilişkisi açısından incelenerek kullanılan yöntemlere ve çalışma prensiplerine ilişkin detaylı bilgi verilmiştir. Bu çalışma, hava kalitesinin iyileştirilerek sürdürülebilir bir çevrenin elde edilmesinde hangi parametreler hangi yöntem kullanılarak nasıl bir analiz ile incelenmeli sorusuna ilişkin seçim karmaşasının çözümlenmesine yönelik gelecek çalışmalara bir fikir sunmaktadır.

show abstract

Forecasting concentrations of air pollutants using support vector regression improved with particle swarm optimization: Case study in Aburrá Valley, Colombia

Cited by 70 publications

References 37 publications

Modeling the Optical Properties of a Polyvinyl Alcohol-Based Composite Using a Particle Swarm Optimized Support Vector Regression Algorithm

Modeling the Optical Properties of a Polyvinyl Alcohol-Based Composite Using a Particle Swarm Optimized Support Vector Regression Algorithm

Análisis de características tiempo-frecuencia para la predicción de series temporales de Material Particulado usando Regresión por Vectores de Soporte y Optimización por Enjambre de Partículas

Hava Kali̇tesi̇ Parametreleri̇ni̇n Tahmi̇ni̇ Ve Mekansal Dağilimi İçi̇n Maki̇ne Öğrenmesi̇ Yöntemleri̇ni̇n Kullanilmasi

Contact Info

Product

Resources

About