Application of air quality combination forecasting to Bogota

بخش عمده ای از کارهای موجود در پیش بینی آماری کیفیت هوا بر اساس شبکه های عصبی یا رگرسیون های خطی است که هر دو در معرض خطرات مهمی هستند. به طور خاص، در حالی که شبکه های عصبی پیچیده و مستعد برتری بیش از حد در نمونه هستند، رگرسیون های خطی به شدت وابسته به ویژگی تابع رگرسیون هستند. این مقاله نشان می دهد که چگونه ترکیب پیش بینی های رگرسیون خطی می تواند برای دور زدن همه ی این مشکلات استفاده شود. سودمندی روش ترکیبی پیشنهاد شده با استفاده از هر دو شبیه سازی مونت کارلو و یک برنامه گسترده برای کیفیت هوا در بوگوتا، یکی از بزرگترین و آلوده ترین شهرهای آمریکای لاتین، تایید شده است.