ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > Comparisons between Logistic R...>الوصف

Comparisons between Logistic Regression and Support Vector Machine for Air Pollution Datasets Forecasting

المصدر: المجلة العراقية للعلوم الإحصائية
الناشر: جامعة الموصل - كلية علوم الحاسوب والرياضيات
المؤلف الرئيسي: Mohammad, Sura Amir (Author)
مؤلفين آخرين: Hannon, Osama Basheer (Co-Author)
المجلد/العدد: ع31
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2020
الشهر: يونيو
الصفحات: 49 - 63
ISSN: 1680-855X
رقم MD: 1062162
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: EcoLink
مواضيع:
تلوث الهواء | الجسيمات المعلقة "PM10" | الانحدار اللوجستي
كلمات المؤلف المفتاحية:
Logistic Regression "LR" | Support Vector Machine "SVM" | Particular Matter "PM10" | Forecasting | Air Pollution
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: أن دراسة الجسيمات المعلقة (Particular matter PM 10)) والتكهن بها ضروري للتقليل والسيطرة على الأضرار البيئية وصحة الأنسان. هنالك العديد من مصادر التلوث أو ما يسمى بالملوثات مثل(Co, So2, O3, Nox, No, Wind Speed, and Ambient Temperature) والتي ربما تؤثر على PM10 PM10 ومتغيرات الملوثات تم أخذها من محطة مناخية في كوالالمبور، ماليزيا. كل هذه المتغيرات تصنف بياناتها كغير خطية. نموذج الانحدار اللوجستي من الممكن استخدامه للنمذجة والتكهن ببيانات متعددة المتغيرات وهو نمذج إحصائي خطي ولذلك فربما يعكس نتائج غير دقيقة عند استخدامه مع بيانات غير خطية. تم في هذا البحث اقتراح طريقة SVM لتحسين النتائج في هذه الدراسة، إذ تعكس افضليه مقارنة بنموذج الانحدار اللوجستي. كاستنتاج فان طريقة آلة متجه الدعم من الممكن استخدامها في التكهن بدقة اكبر مع البيانات غير الخطية متعددة المتغيرات عندما يكون PM10 كمتغير معتمد.

Particular matter (PM10) studying and forecasting is necessary to control and reduce the damage of environment and human health. There are many pollutants as sources of air pollution (Co, So2, O3, Nox, No, Wind Speed, and Ambient Temperature) may effect on PM10 variable. PM10 and the pollutant variables have been taken from the meteorological station in Kuala Lumpur, Malaysia. All of these variables classified as nonlinear data. Logistic regression (LR) model can be used for modeling and forecasting these multivariable datasets. LR is one of linear statistical methods, therefore it may reflect inaccurate results when used with nonlinear datasets. To improve the results of forecasting, support vector machine (SVM) method has been suggested in this study. The results in this study reflect outperforming for SVM method comparing to LR. In conclusion, SVM forecasting can be used for more accuracy with nonlinear multivariate datasets when PM10 is as dependent variable.
ISSN: 1680-855X

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.