Peramalan kualiti udara menggunakan kaedah pembelajaran mendalam rangkaian perlingkaran temporal (TCN)
Kajian ini bertujuan untuk membina model kualiti udara untuk meramalkan kepekatan bahan pencemar udara di Malaysia. Kaedah peramalan yang dipilih dalam kajian ini adalah suatu teknik pembelajaran mendalam iaitu Rangkaian Perlingkaran Temporal (TCN). Set data yang digunakan adalah siri masa zarahan t...
Saved in:
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universiti Kebangsaan Malaysia
2022
|
| Online Access: | http://journalarticle.ukm.my/21031/1/SBL%2022.pdf http://journalarticle.ukm.my/21031/ http://www.ukm.my/jsm/index.html |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Institution: | Universiti Kebangsaan Malaysia |
| Language: | English |
| Summary: | Kajian ini bertujuan untuk membina model kualiti udara untuk meramalkan kepekatan bahan pencemar udara di Malaysia. Kaedah peramalan yang dipilih dalam kajian ini adalah suatu teknik pembelajaran mendalam iaitu Rangkaian Perlingkaran Temporal (TCN). Set data yang digunakan adalah siri masa zarahan terampai bersaiz diameter lebih kecil atau sama dengan 10 mikrometer (PM10) yang diperoleh daripada Jabatan Alam Sekitar Malaysia dari 5 Julai 2017 hingga 31 Januari 2019. Data daripada lima stesen pemantauan kualiti udara di Semenanjung Malaysia dipilih untuk kajian ini. Bagi tujuan perbandingan, kaedah rangkaian memori jangka pendek panjang (LSTM) juga digunakan dalam kajian ini yang mana ketepatan antara kedua-dua model dibandingkan. Secara amnya, nilai model ramalan daripada kedua-dua model adalah menghampiri data asal. Walau bagaimanapun, model yang dibina dengan kaedah TCN adalah lebih baik berbanding model LSTM dari segi ketepatan nilai ramalan. Kajian ini menunjukkan bahawa TCN merupakan teknik yang sesuai digunakan dalam peramalan data siri masa bagi kualiti udara di Semenanjung Malaysia. |
|---|