Tytuł pozycji:
Comparative analysis of optimization value between artificial neural network and long short-term memory for prediction particulate matter (PM2.5) in Bangkok Thailand
The crisis that the general public is worried about is particulate matter as small as 2.5 microns, which is invisible to the naked eye, causing a great lack of awareness of health hazards. One of the key goals and visions of government leaders around the world is to tackle PM2.5 particulate matter, but without measurements, reports and predictions, how will it lead to emission reduction and remedial steps? Therefore, the prediction of PM2.5 is considered as the main factor that will help to reduce the pollution of PM2.5. So, Neural networks have been widely used in predictive research, but the problem is What type of neural network would be most suitable for predicting the value of PM2.5? In this research, the predictions were compared between Artificial Neural Network (ANN) and Long Short -Term Memory (LSTM) using values measured from the performance test results with accuracy. The results showed that when the values of similar hyperparameters were given different results, the average ANN accuracy is 91.1460%. The average accuracy LSTM is 96.8496%. The values obtained from the comparison clearly show that for the prediction of PM2.5, the LSTM neural network was significantly more suitable than the ANN neural network.
Kryzys, który niepokoi opinię publiczną, to pył zawieszony o wielkości zaledwie 2,5 mikrona, który jest niewidoczny gołym okiem, powodując ogromny brak świadomości zagrożeń dla zdrowia. Jednym z kluczowych celów i wizji przywódców rządów na całym świecie jest rozwiązanie problemu pyłu zawieszonego PM2,5, ale bez pomiarów, raportów i prognoz, w jaki sposób doprowadzi to do redukcji emisji i działań zaradczych? Dlatego prognoza PM2,5 jest uważana za główny czynnik, który pomoże zmniejszyć zanieczyszczenie PM2,5. Tak więc sieci neuronowe były szeroko stosowane w badaniach predykcyjnych, ale problem polega na tym, jaki typ sieci neuronowej byłby najbardziej odpowiedni do przewidywania wartości PM2,5? W tym badaniu porównano przewidywania między sztuczną siecią neuronową (ANN) a pamięcią długokrótkoterminową (LSTM) przy użyciu wartości zmierzonych z wynikami testu wydajności z dużą dokładnością. Wyniki pokazały, że przy różnych wartościach podobnych hiperparametrów średnia dokładność ANN wynosi 91,1460%. Średnia dokładność LSTM wynosi 96,8496%. Uzyskane z porównania wartości jednoznacznie wskazują, że do predykcji PM2,5 sieć neuronowa LSTM okazała się znacznie bardziej odpowiednia niż sieć neuronowa ANN.
Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).
