Three-Hour-Ahead of Multiple Linear Regression (MLR) Models for Particulate Matter (PM10) Forecasting
Notice bibliographique
Résumé
The increase of air pollutants emission through anthropogenic activities and natural phenomena in the atmosphere can give an adverse impact on human health especially to some groups of people such as children, the elderly, and people that have cardiovascular problems. Multiple Linear Regression (MLR) model establishments for the particulate matter (PM10) forecasting can be useful, as it provides early warning information to the local authorities and the communities. We aim to develop MLR models for PM10 forecasting in Peninsular Malaysia, specifically in the southern part. In this study, the hourly data of PM10, meteorological factors, and gaseous pollutants from the year 2009-2011 had been used. As a result, the next first hour of the MLR prediction model, PM10,t+1 has been selected as the best-fitted model as compared to the second and third prediction hour models, PM10,t+2, and PM10,t+3, respectively. The PM10,t+1 model was explained 61.4% (R2=0.614) variance in the data which is higher compared to model PM10,t+2 and PM10,t+3 with 42.3% (R2=0.423) and 34.7% (R2=0.347), respectively. Thus, the validation of PM10, t+1 model also has a high accuracy value of R2 (55.1%) as compared to the other two models. We conclude that the development of MLR models is adequate for PM10 forecasting in the industrial area.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».