Evaluation of data preprocessing and feature selection process for prediction of hourly PM10 concentration using long short-term memory models

Aksangür, İpek; Eren, Beytullah; Erden, Caner

doi:10.1016/j.envpol.2022.119973

Cited by 15 publications

(4 citation statements)

References 44 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…LSTM model with six features including three air quality and three meteorological parameters was employed to predict PM 10 values of one monitoring station. The obtained accuracy of PM 10 prediction was 0.98 (Aksangür et al, 2022). In addition, a deep ensemble forest model was applied to predict the PM 2.5 concentration using AOD data.…”

Section: Lstm Model Performance Assessmentmentioning

confidence: 96%

Prediction of hourly PM10 concentration through a hybrid deep learning-based method

Molaei

Salajegheh

Khosravi

et al. 2023

Preprint

View full text Add to dashboard Cite

Air pollution can have detrimental effects on human health as well as the environment. Particulate Matter (PM), as a global issue, is a type of air pollution that consists of small particles suspended in the air. Therefore, it is crucial to estimate and monitor levels of PM in the air in order to protect public health and the environment. This study proposed a novel hybrid method to apply the capability of two various deep learning models, namely, the encoder-decoder convolutional neural network and the Long Short-Term Memory (LSTM) model for PM10 prediction. The first model was utilized as a data argumentation method to enhance dataset diversity, and the LSTM model employed meteorological parameters and spatiotemporal factors to estimate the PM10 levels. The proposed technique achieved performance resulting in a coefficient of determination value of 0.88 and a mean absolute error value of 7.24. The results confirm that the developed hybrid method as an effective tool of PM prediction can be used to inform decision-making about policies and actions to reduce PM levels.

show abstract

Section: Lstm Model Performance Assessmentmentioning

confidence: 96%

Prediction of hourly PM10 concentration through a hybrid deep learning-based method

Molaei

Salajegheh

Khosravi

et al. 2023

Preprint

View full text Add to dashboard Cite

show abstract

“…(Gupta et al, 2021) Makine öğrenmesi algoritmaları güncel çalışmalarda ve farklı bir çok alanda kullanılmaya devam edilmektedir. ( (Eren et al, 2023;Aksangür et al, 2022).…”

Section: Literatür Taraması (Literature Review)unclassified

Modeling of Indoor Air Quality in Campus and Developing a Decision Support System

CESUR,

EFE

2023

jista

View full text Add to dashboard Cite

Zeki Kampüs kapsamı içerisinde üniversite kampüslerinin kapalı alanlarında hava kalitesinin tahmin edilmesi, virüs bulaş riskini en aza indirilmesi açısından çok önemlidir. Buna bağlı olarak sınıflarda, idari ofislerde ve toplantı salonlarında hava ölçümlerinin kontrol limitleri dışına çıkması durumunda uyarılar vererek kararlar almasını sağlayacak bir karar destek sistemin kurulması, bu riski kontrol altında tutmayı sağlayabilecektir. Bu çalışmada öncelikle karbondioksit, sıcaklık, nem, basınç ve hava kalitesi (MQ135) sensörleri insan giriş ve çıkışının yoğun olduğu bir sınıfa kurulmuş ve düzenli olarak veri alınması sağlanmıştır. Çalışmanın ikinci aşamasında veri madenciliği teknikleri ile bu sensör verilerinin veri önişleme teknikleri ile analizleri yapılmıştır. Çalışmanın ana amacı yapay sinir ağları, karar ağacı ve destek vektör makine teknikleri ile sensör verilerinin modellenmesi ve kişi sayısı artışı, cam veya kapının açılması, ve ders arası süresinin uzatılması gibi nedenlerden kaynaklı olarak havada gerçekleşen ani değişikliklerin model tarafından yakalanmasını sağlamaktır. Çalışmanın sonucu, kabul edilebilir aralıkların dışına çıkan hava kalitesi durumlarının tespiti sonucunda odanın ne zaman havalandırılacağına karar vermektir. Bu araştırmada kurduğumuz modeller kampüs dışında da örneğin toplu taşıma araçlarının, işyerlerinin, ofislerin, restoranların, kafelerin ve özel araçların havalandırma sistemlerinde kullanılabilecek özelliktedir.

show abstract

“…Traditional nuclear radiation data analysis methods are no longer suitable for today's needs. Deep learning methods have recently been widely used for time-series data processing and prediction [ [19] , [20] , [21] ]. Choi and Lee proposed a machine learning model using consistency metrics for sensor error detection in nuclear power plant emergencies [ 22 ].…”

Section: Introductionmentioning

confidence: 99%

A novel transformer-based method for predicting air absorbed dose rates in nuclear radiation environmental monitoring

Cao,

Liu,

Niu

et al. 2023

Heliyon

View full text Add to dashboard Cite

Evaluation of data preprocessing and feature selection process for prediction of hourly PM10 concentration using long short-term memory models

Cited by 15 publications

References 44 publications

Prediction of hourly PM10 concentration through a hybrid deep learning-based method

Prediction of hourly PM10 concentration through a hybrid deep learning-based method

Modeling of Indoor Air Quality in Campus and Developing a Decision Support System

A novel transformer-based method for predicting air absorbed dose rates in nuclear radiation environmental monitoring

Contact Info

Product

Resources

About