Double layer back propagation neural network based on restricted Boltzmann machines for forecasting daily particulate matter 2.5

Abstract

Particulate matter 2.5 (PM₂.₅) pollution is an actual problem in the modern world and forecasting of the daily concentration of PM₂.₅ is a challenging task for researchers. In this study, a novel neural network model that effec­tively forecasts daily PM₂.₅ in Hangzhou city was developed in the form of a restricted Boltzmann machines double layer back propagation neural net­work model (RBM-DL-BPNN). Air quality index, the air pollutants, e.g., particulate matter 10 (PM10), PM₂.₅, SO₂, CO, NO₂, O₃, and meteorological parameters (temperature, dew point, humidity, pressure, wind speed, and precipitation) of Hangzhou city were used in this study to train and test three models: RBM-DL-BPNN, double layer back propagation neural network (DL-BPNN), and back propagation neural network (BPNN). The results of experiments and analyses performed indicate that RBM-DL-BPNN has a smaller mean absolute percent error (MAPE), smaller overall daily absolute percentage errors, and more results in terms of absolute percentage error within the range 0-50 % than DL-BPNN and BPNN.

Загрязнение ультрадисперсными частицами (УДЧ) класса PM₂.₅ является актуальной проб-лемой в современном мире. Прогнозирование их ежедневной концентрации является сложной задачей для исследователей. Разработана новая модель в виде ограниченной машины Больцмана обратной связи с удвоенным слоем (RBM-DL-BPNN). Эффективность предложенной модели показана на примере прогнозирования концентрации PM₂.₅ в городе Ханчжоу. Показатели качества воздуха, его загрязнения (PM10, УДЧ PM₂.₅, SO₂, CO, NO₂, O₃), метеорологические параметры (сред-несуточная температура, точка росы, влажность, атмосферное давление, скорость ветра и количество осадков) в Ханчжоу использованы в работе для обучения и тестирования трех моделей: RBM-DL-BPNN, нейронной сети с обратной связью с двойным слоем (DL-BPNN) и нейронной сети обратного распространения (BPNN). Результаты проведенных исследований показали, что относительная погрешность результатов использования RBM-DL-BPNN является наименьшей среди изученных нейронных сетей, которая заключается в том, что количество значений этой погрешности в диапазоне 0–50 % для RBM-DL-BPNN значительно больше, чем в случаях DL-BPNN и BPNN.

Забруднення ультрадисперсними частинками (УДЧ) класу PM₂.₅ є актуальною проблемою у сучасному світі. Прогнозування їхньої щоденної концентрації є складним завданням для дослідників. Розроблено нову модель у вигляді обмеженої машини Больцмана зворотного зв’язку з подвоєним шаром (RBM-DL-BPNN). Ефективність запропонованої моделі показано на прикладі прогнозування концентрації УДЧ РМ₂,₅ у місті Ханчжоу. Показники якості повітря, його забруднення (РМ10, РМ₂,₅, SO₂, CO, NO₂, O₃), метеорологічні параметри (середньодобова температура, точка ро-си, вологість, атмосферний тиск, швидкість вітру та кількість опадів) у Ханчжоу використано в роботі для навчання та тестування трьох моделей: RBM-DL-BPNN, нейронної мережі зі зворотним зв’язком з подвійним шаром (DL-BPNN) і нейронної мережі зворотного поширення (BPNN). Результати проведених досліджень показали, що відносна похибка результатів використання RBM-DL-BPNN є найменшою серед вивчених нейронних мереж, яке полягає в тому, що кількість значень цієї похибки в діапазоні 0–50 % для RBM-DL-BPNN значно більше, ніж для випадків DL-BPNN і BPNN.