Lucila L. Chiarvetto Peralta Aplicaciones de redes neuronales Predicción de PM-10.

Lucila L. Chiarvetto Peralta

Aplicaciones de redes neuronales

Predicción de PM-10


¿Qué es PM-10?

o Es material sólido ó líquido suspendido en la atmósfera

o Emitido ó formado directamente en el aire

o Es material caracterizado por fracciones de tamaño gruesas ó finas

oMP- 10 incluye particulas de 10 micrómetros en diámetro ó más pequeñas

oMP- 2.5 incluye particulas de 2.5 micrómetros en diámetro ó más pequeñas


Comparación


Definición del predictor

Se quiere predecir los promedios diarios de PM10 medidos en microgramos por metro cúbico, en función a los datos meteorológicos, para la ubicación actual de la EMCABB.


EMCABB


¿Por qué se quiere construir este predictor?

Se identificó como requerimiento.

El observatorio ambiental debe ser capaz de generar alarmas cuando se pronostique que un cierto contaminante supere el valor de referencia de la norma que lo regula.


Justificaciones

Las redes neuronales imitan el proceso de aprendizaje del cerebro y pueden procesar problemas que impliquen datos muy complejos con relaciones no lineales, incluso cuando los datos son imprecisos y “ruidosos”. En particular cuando la relación entre los datos es desconocida.


Otras aplicaciones

Herramienta de estudio, permitiendo conocimiento sobre el fenómeno, en cuestión.

Herramienta de modelado alternativa.


Diseño arquitectónico

PECAS

Modulopredictor

davies

Usuario

Estaciónmeteorológica


Red neuronal, herramienta

JOONE, Java Object Oriented Neural Engine

Joone (http://www.joone.org/) es un framework realizado en JAVA, para la construcción y desarrollo de aplicaciones basadas en redes neuronales.

Las aplicaciones de Joone pueden ser construidas en una maquina local.

Pueden ser entrenadas en un ambiente distribuido.

Licencia: GNU LESSER GENERAL PUBLIC LICENSE de la Free Software Foundation.


Joone utilizado en el mundo académico

Using JavaTM Technology – Based neural networks to predict trauma mortality

Layered learning in RoboCup Rescue simulation

Modelling and verification of digital circuit using neural network

Neural network and evolutionary algorithms.


Ejemplo

24 xy


Screen shoots


Panel de control


Ejemplo, entrenamiento

valor observado

-35,00-30,00-25,00-20,00-15,00-10,00-5,000,005,00

10,00

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61

valor observado


Métodos de evaluación

RMSE, root mean square error MSE, mean square error MAE, mean absolute error D, indice de acuerdo


MSE

ntoentrenamie

el para utilizados ejemplos de cantidad

predicho dato P

observado dato O

:donde

)( :Formula

2

1

N

i

i

N

OPMSE

i

i

ii

N

i


RMSE

ntoentrenamie


predicho dato P

observado dato O

:donde

)( :Formula

2

1

N

i

i

N

OPMSERMSE

i

i

ii

N

i


MAE

ntoentrenamie


predicho dato P

observado dato O

:donde

:Formula 1

N

i

i

N

OPMAE

i

i

ii

N

i


d

ntoentrenamie el para utilizados ejemplos de cantidad

predicho dato P

observado dato O

observados datos los de promedio O

:donde

)(

)(1 :Formula

2

1

2

1

N

i

i

OOOP

OPd

i

i

N

iii

ii

N

i


d

El valor d varia entre 0 y 1. El valor d=1, significa una

coincidencia perfecta entre los valores predichos y los observados.

El valor d=0, significa un completo desacuerdo entre los valores predichos y los valores observados.


d

No tiene dimensión.

Estándar de comparación.


Entrenamiento, validación, evaluación

Se selecciona del conjunto total de observaciones:

70% para entrenamiento 15% para validación 15% para evaluación


Ejemplo, error


Ejemplo, entrenamiento

Entrenamiento

-35,00

-30,00

-25,00

-20,00

-15,00

-10,00

-5,00

0,00

5,00

10,00

1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61

valor observado

valor predicho


Ejemplo, estado luego del entrenamiento

Epoch: 7000

RMSE: 0.4461003990923533

d: 0.9991660


Ejemplo, validación

Validación

-35

-30

-25

-20

-15

-10

-5

0

5

10

1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 Calculado, segúnfunción

Valor predicho,validación


Ejemplo, evaluación

Evaluación

-35

-30

-25

-20

-15

-10

-5

0

5

10

1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 Calculado, segúnfunción

Valor predicho,evaluación


Consideraciones de diseño más importantes

Selección de una arquitectura optima (cantidad de elementos de la capa oculta).

Selección de la mejor función de activación.

Selección de los ejemplos de entrenamiento, testing y evaluación.

Selección de cantidad de epochs.


Ejemplo otra arquitectura


Selección de la arquitectura


Selección de arquitectura


Selección de la mejor función de activación

Tangente hiperbólica: RMSE=7.73276

Logaritmo: RMSE= 6.60171


Error, logaritmo


Selección de los ejemplos

La selección de los ejemplos de entrenamiento, debe ser capaz de mostrar toda la complejidad del problema. Sin dar información en exceso, ni en defecto.

La tarea de selección es particularmente difícil, dado que la relación entre los datos que se desea modelar, es usualmente, desconocida.


Selección de la cantidad de epochs

Falta de entrenar la red, produce que la red quede atrapada en un mínimo local.

Sobre entrenamiento, produce una falta de capacidad en filtrar el ruido. Es como si aprendiera de “memoria”.


Sobreentrenamiento


Conclusiones

Es una técnica que ya ha sido utilizada en la predicción de calidad de aire, que ha mostrado ser efectiva para la predicción de polución en aire. Esto hace posible la generación de alarma, cuando se supere la norma de referencia.


Conclusiones

Permite el estudio, cuantificación y comparación, de la contribución meteorológica en las variaciones de concentraciones del material particulado.


Conclusiones

Predicción de calidad de aire: Si bien, los modelos a base de redes neuronales han mostraron mejores resultados que los modelos de regresión y deterministas. Se observaron dos corrientes de pensamientos diferente en la comunidad científica:

Adoptan el modelo. Adoptan el modelo de forma temporaria,

mientras se desarrollan modelos deterministas.


Bibliografía y referencias

Air quality prediction in Milan: feed-forward neural networks, pruned neural networks and lazy learning. Giorgio Corani

Artificial neural network approach for modelling nitrogen dioxide dispersion from vehicular exhaust emissions.

S.M. Shiva Nagendra, Mukesh Khare. Assessment and prediction of tropospheric ozone

concentration levels. Usign artificial neural networks. S.A. Abdul-Wahab, S.M. Al-Alawi

Willmott, C.J., 1982. Some comments on the evaluation of model performance. Bull. Am. Meteorol. Soc. 63, 1309–1313

www.epa.gov www.jooneworld.org

Lucila L. Chiarvetto Peralta Aplicaciones de redes neuronales Predicción de PM-10.

Documents

Transcript of Lucila L. Chiarvetto Peralta Aplicaciones de redes neuronales Predicción de PM-10.