Health Monitoring Considering Air Quality Index Prediction Using Neuro Fuzzy Inference Model: A Case Study of Lahore, Pakistan
Notice bibliographique
Résumé
For many years, improving air quality has been great attention of the whole world. It has been recognized that air pollution as a hypothetically hazardous type of environmental pollution and polluted air directly affects the human health. In Asian countries, it has converged less attention of ever growing most alarming and hazardous issue of air pollution. This paper presents a case study of Lahore city of Pakistan for the prediction of Air Quality Index (AQI) using hybrid approach of Neuro Fuzzy (NF) inference system. The ambient air data of Lahore was taken from the Environmental Protection | department (EPD) working under government of the Punjab. For results evaluation, data was recorded at different station in the period from April 2007 to May 2015. The fuzzy rules have been generated according to the Pakistan Environmental Protection Agency (PAK-EPA) standard of AQI. The NF Inference Model took the air pollutants such as Particulate Matter (PM2.5), Ozone (O3), Carbon Monoxide (CO), Sulphur Dioxide (SO2) and Nitrogen Dioxide (NO2) as inputs and predicted the air quality index as good, moderate, or unhealthy air. The results showed that NF based AQI prediction model classifies the AQI proficiently, robustly, and accurately as compared to conventional method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».