CC BY
6НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ КОНЦЕНТРАЦИЙ ОКИСИ УГЛЕРОДА С УЧЕТОМ МЕТЕОРОЛОГИЧЕСКИХ ВЛИЯНИЙ _В ГОРОДСКОЙ СРЕДЕ
Махса Мемарианфард
Доцент, Департамент инженерной экологии, K.N.Toosi технологический университет,Тегеран, Иран
Марзие Мемарианфард
Студент,Магистр, Департамент гражданской и экологической инженерии, Иран
Николай Алексеевич Анискин
Профессор, Московский государственный строительный университет - национальный исследовательский
университет (НИУ МГСУ), МОСКВА, РОССИЯ
Хамед Мемарианфард
Кандидат технических наук, Московский государственный строительный университет - национальный
исследовательский университет (НИУ МГСУ), МОСКВА, РОССИЯ NEURAL NETWORK MODELING OF CARBON MONOXIDE CONCENTRATIONS CONSIDERING METEOROLOGICAL INFLUENCES IN URBAN ENVIRONMENT
Mahsa Memarianfard, Assistant professor, Department of Environmental Engineering, K.N.Toosi University of Technology, Tehran, Iran
Marzieh Memarianfard, M.Sc. student, Department of Civil and Environmental Engineering, Iran
Aniskin Nikolay Alekseevich,Professor, Moscow State University of Civil Engineering (National Research University),
MOSCOW, RUSSIA
Hamed Memarianfard, Ph.D. candidate, Moscow State University of Civil Engineering (National Research University), MOSCOW, RUSSIA
АННОТАЦИЯ
В науках об окружающей среде много исследовательских усилий придется затратить к пониманию феномена СО и способность прогнозировать ее концентрации, потому что воздействие высоких концентраций СО может вызвать серьезные проблемы со здоровьем. Следовательно, эта статья применяется модель ИНС (искусственная нейронная сеть) и демонстрирует этот метод для мониторинга данных в городских районах Тегерана в Иране на период 2013-2014 годов. Результаты показывают индекс «d» между измеренных и смоделированных концентраций СО, колебался от 0.35 до 0.75 за счет изменения числа скрытых нейронов от 2 до 30. RMSE модели ИНС колебался от 6.12 до 13.51. В результате, сеть с 9 нейронов во входном слое, один скрытый слой, с 4 скрытых нейронов и один нейрон в выходном слое представляет лучший прогноз. Соответственно, ИНС подход способен производить точные оценочные данные в области загрязнения воздуха.
ABSTRACT
In the environmental sciences a lot of research effort goes towards the understanding of the CO phenomenon and the ability to forecast its concentrations because exposure to high concentrations of CO can cause serious health problems. Hence, this paper applies ANN (Artificial neural network) and demonstrates this method to monitored data in the urban areas of Tehran in Iran during the period 2013-2014. Results show an index "d" between measured and modeled daily averaged CO concentrations, between 0.35 and 0.75 by changing the number of hidden neurons from 2 to 30. The root mean squared error of the ANN model varied from 6.12 to 13.51. As a result, the network with 9 neurons in the input layer, a single hidden layer, with 4 hidden neurons and a single neuron in the output layer presents best forecast. Accordingly, the ANN-based approach is capable of producing accurate evaluation data set in the field of air pollution.
Ключевые слова: Концентрация CO, Загрязнение воздуха, Искусственная нейронная сеть, , Метеорологические параметры, Тегеран.
Keywords: CO concentrations, Air pollution, Artificial neural network, Meteorological parameters, Tehran.
Введение
За последние несколько лет, метод ANN становится все более популярным в моделировании качества воздуха [4, 8, 11]. Таким образом, метод ИНС был использован для прогнозирования озона [1], NO2 [2,5], CO и твердых частиц [6,8] в области загрязнения воздуха. Способность ИНС легко изменить, чтобы удовлетворить различные ситуации направлял, к их применению в большинстве научных областей. Гарднер и Дорлинг [2] использовали модели ИНС в Центральном
Лондоне, используя почасовую NOx, NO2 и метеорологические данные. Результаты показали, что более высокую производительность моделей ИНС по сравнению с ранее разработанных моделей регрессии [9] для того же места. Перес и Трир [7] были разработаны ИНС на основе модели для прогнозирования NO и NO2 концентрации на перекрестке движения в Сантьяго, Чили. Результаты показали, что модель лучше, чем у моделей настойчивости и регрессии, разработанные ими в том же месте. Виотти и др. [10] были сформу-
лированы ИНС на основе краткосрочных и долгосрочных моделей качества воздуха для прогнозирования концентраций загрязнения автомобильных маршрутов в городе Перуджа, Италия. Модели показали приемлемую точность при прогнозировании краткосрочных и долгосрочных концентраций загрязнения воздуха. Kukkonen и др. [3] оценивали пять нейронных сетей, линейную статистическую и детерминированной модели в прогнозировании концентраций NO2 и твердых частиц в центре города Хельсинки, Финляндия. В данной работе, алгоритм обучения ИНС на основе которого
был использован для моделирования является алгоритмом обучения обратного распространения и число нейронов на скрытом слое и эпох были оценены путем проведения анализа на ошибках и индикатор: <^».
Материалы и методы
Данные
Согласно данным, на период 2013-2014 годов в районах Тегерана, таких как концентрация СО и метеорологических параметров, гистограмм и описательные статистики приведены на рисунке 1 и в таблице 1.
о го 40 ее
Frequency
Рисунок 1. Гистограмм для суточных измеренных концентраций CO
Таблица 1
Описательная статистика суточных концентраций СО и метеорологических параметров, на период 20132014 годов в Тегеране
Statistic Parameters Temperature Wind Speed Humidity CO
N 731 731 731 731
Mean 18.673 3.004 34.665 37.389
Std. Error of Mean 0.368 0.077 0.677 0.312
Median 19.212 2.750 30.125 37.0
Mode 8.600 3.125 15.875 32.000
Std. Deviation 9.954 2.094 18.325 8.455
Variance 99.089 4.385 335.814 71.501
Skewness -0.098 12.149 0.927 0.405
Std. Error of Skewness 0.090 0.090 0.090 0.090
Kurtosis -1.263 243.209 0.221 -0.178
Std. Error of Kurtosis 0.181 0.181 0.181 0.181
Range 36.900 45.500 84.625 46.000
Minimum -0.500 0.500 9.00 19.00
Maximum 36.400 46.000 93.625 65.000
Модель искусственной нейронной сети
В этом работе, данные разделены на три части: на-
бор обучающих данных: эти данные формирует основную часть данных, используемых для целей обучения, набор тестовых данных: эти данные используются для изучения качества работы обученной модели, набор для оценки данных: эти данные используются для проверки достоверности модели. На рисунке 2 показана архитектура модели с 9-ям предикторов (9:4:1). Для моделирования с методом ИНС, все данные были разделены на три группы: 60% данных для обучения
сети. 20% данных для оценки сети и 20% данных для тестирования сети. Одна из основных проблем при разработке оптимальной ИНС перетренированности. Она возникает, когда сеть узнает шумные детали в подготовке данных. В этой работе, чтобы избежать чрезмерной подготовки проблемы, были использованы два показатели сети, а именно.: оптимальный выбор скрытых номеров нейроном и цели ошибок.
Input Neurons
Рисунок 2. Архитектура модели ИНС (9:4:1)
Это не редкость, чтобы найти модели, которые были оценены с помощью коэффициента корреляции г2 .Однако, статистика г2 не может быть оправданным в оценке точности модельных прогнозов качества воздуха. Оценка модели на основе статистики г2 главным образом удается из-за наличия «лаг» между количеством эмиссии источника и окружающей концентрации загрязняющего вещества. 'Лаг' связано с неблагоприятными метеорологическими условиями (инверсия), которое влечет за собой накопление загрязняющих веществ в окружающей среде в течение дня, когда не существует никаких выбросов источника .>^» не являет-
ся описательная статистика. Он отражает степень, в
(
RMSE =
1 N
N ? [ ^ - ]2
1
Л 2
которой наблюдаемая случайная величина точно оценивается по моделируемой случайная величина. 'У' не является мерой корреляции или ассоциации в формальном смысле, а скорее мерой степени (на основе ансамбля в среднем), в которой модели предсказания ошибок. В то же время, d представляет собой стандартизированную меру для того, чтобы его можно
было легко интерпретировать и перекрестные сравнения его величины для различных моделей, независимо от единиц, могут быть легко сделаны. Она варьируется от 0 до 1. Значение 1 указывает на совершенное согласие между наблюдаемыми и предсказанными наблюдений, в то время 0 ассоциируется полное несогласие. В данной статье для оценки эффективности модели ИНС, были проведены оценки RMSE (root-mean-square error) и коэффициент корреляции «d», которые вычисляются по формулам 1 и 2. Где, N: число наблюдений; Oi: наблюдаемое значение; Pi: прогнозируемое значение и (0:)_среднее значение.
Таблица 2
Resuls расчета "d" и "RMSE"
Number of hidden neurons d RMSE
2 0.71 6.45
3 0.46 8.43
4 0.75 6.12
5 0.44 9.29
6 0.45 8.65
7 0.68 6.56
8 0.67 6.76
9 0.55 8.02
10 0.65 6.87
11 0.47 8.34
12 0.41 9.84
13 0.59 7.34
14 0.36 12.05
15 0.44 8.93
16 0.57 7.94
17 0.56 7.98
18 0.64 7.12
19 0.59 7.34
20 0.41 9.46
21 0.48 8.34
22 0.37 11.45
23 0.57 7.43
24 0.45 8.54
25 0.35 13.51
26 0.40 10.52
27 0.38 10.61
28 0.38 10.58
29 0.53 8.34
30 0.61 7.23
d = 1
X N=1 (р - Q.)2
I N=i [I р
O +
O - O
(2)
Результаты
Результаты показывают индекс между измеренных и смоделированных концентрации СО, колебался от 0,35 до 0,75 за счет изменения числа скрытых нейронов от 2 до 30. RMSE модели колебался от 6.12 до 13.51. В результате, сеть с 9 нейронов во входном слое, один скрытый слой, с 4 скрытых нейронов и один нейрон в выходном слое представляет лучший прогноз . Результаты были представлены в таблице 2 и рисунке 3. В таблице 2 приведены значение <^» и ошибки «RMSE» для регрессионного анализа.
о.а 0.7 0.6 3 0.5 a. J У о.з е.: 0.1 о
1* 11
№ 1С 3
и
7J
I-"RMSE" 1
Л.
5 10 15 30 25
dumber of hidden neurons
30
30 15 2ft 35
Number of bidden neurons
10
Рисунок 3. Количество скрытых нейронов по сравнению с значением «d» и «RMSE».
Выводы
В заключение следует отметить, в соответствии с входными данными, нейронная сеть, которая требовалась, может иметь 9 нейронов на входном слое и один нейрон на выходном слое. При выполнении анализа на "RMSE" и "d", оценивались число нейронов на скрытом слое и эпох. Результаты показывают индекс «d» между измеренных и смоделированных концентрации СО, от 0.35 до 0.75 за счет изменения числа скрытых нейронов от 2 до 30. "RMSE" колебалась от 6.12 до 13.51 . В результате , сеть с 9 нейронов во входном слое, один скрытый слой, с 4 скрытых нейронов и один нейрон в выходном слое представляет лучший прогноз .
Список литературы:
1.Comrie, A.C., 1997. Comparing neural networks and regression model for ozone forecasting. J. Air Waste Manage. Assoc. 47, 653-663.
2.Gardner, M.W., Dorlingj S.R. (1999) Neural network modelling and prediction of hourly NOx and NO2 concentrations in urban air in London. Atmospheric Environment 33: 709-719.
3.Kukkonen, J., Partanen, L., Karppinen, A., Ruuskanen, J., Junninen, H., Kolehmainen, M., Niska, H., Dorling, S., Chatterton, T., Foxall, R., Cawley, G., 2003. Extensive evaluation of neural network models for the prediction of NO2 and PM10 concentrations, compared with a deterministic modeling system and measurements in central Helsinki. Atmos. Environ. 37 (32), 4539- 4550.
4.Liu, J., and Cui, S., 2014. Meteorological Influences on Seasonal Variation of Fine Particulate Matter in Cities
over Southern Ontario, Canada. Hindawi Publishing Corporation Advances in Meteorology, Volume, Article ID 169476, 15 pages, DOI: 10.1155/2014/169476.
5. Nagendra, S.M., and Khare, M., 2006. Artificial neural network approach for modeling nitrogen dioxide dispersion from vehicular exhaust emissions. Ecological Modeling 190(1):99-115.
6. Ordieres, J.B., Vergara, E.P., Capuz, R.S., and Salazar, R.E. 2005. Neural network prediction model for fine particulate matter (PM2.5) on the US-Mexico border in El Paso (Texas) and Ciudad Jua'rez (Chihuahua). Environ. Model Softw. 20(5):547-559.
7.Perez, P., Trier, A., 2001. Prediction of NO and NO2 concentrations near a street with heavy traffic in Santiago. Chile. Atmos. Environ. 35 (10), 1783-1789.
8.Salimol Thomas & Robert B.Jacko (2012) Model for Forecasting Expressway Fine Particulate Matter and Carbon Monoxide Concentration: Application of Regression and Neural Network Models.J.Air & Waste Manage. Assoc. 57:480-488.
9.Shi, J.P., Harrison, R.M., 1997. Regression modelling of hourly NOx and NO2 concentration in urban air in London. Atmos. Environ. 31 (24), 4081-4094.
10.Viotti, P., Liuti, G., Genova, P.D., 2002. Atmospheric urban pollution: applications of an artificial neural network (ANN) to the city of Perugia. Ecol. Model. 148 (1), 27-46.
11.Zhang, D.Z., and Peng, Z.R., (2014). Near-road fine particulate matter concentration estimation using artificial neural network approach. Int. J. Environ. Sci. Technol. 11:2403-2412.
