A new dynamic approach using data-driven and machine learning models for forecasting particulate matter in Dhaka megacity
Notice bibliographique
Résumé
This study conducts a comprehensive examination of six machine learning models for forecasting PM 2.5 and PM 10 concentrations in Dhaka, Bangladesh, employing average data from three air monitoring stations - Darus Salam, Parliament Area, and BARC established by the Department of Environment (DoE). The analysis utilizes average data from three air monitoring stations spanning January 2016 to December 2022, with meticulous pre-processing to ensure data quality. The employed models for analysis include ARIMA, ANN, ELM, ETS, NAÏVE, and TBATS. Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE) are used to validate and rigorously compare model performance. ARIMA shows the best performance for PM 2.5 , while TBATS is slightly better for PM 10 predictions. These insights hold significant value for air quality management in Dhaka, enabling informed and proactive measures to counter particulate pollution and its adverse health implications. Furthermore, this study demonstrates the potential of machine learning models in accounting for local factors influencing air quality, complementing existing research on combining air quality models. This opens doors for further developing even better hybrid models, including weather data and exploring advanced ensemble techniques. • Utilized advanced machine learning model to predict air pollution of Dhaka. • ARIMA and TBATS outperformed other models for PM 2.5 and PM 10 prediction, respectively. • Leveraged real-world air quality data to capture local factors influencing pollution levels. • Demonstrated the potential of machine learning for developing sophisticated air quality forecasting tools. • Findings provide valuable guidance for policymakers to address air pollution challenges.
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 | 0,000 | 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 | 0,001 |
| 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 ».