توسعه الگوریتم های یادگیری ماشین جهت پیش بینی شاخص کیفیت هوای شهری (منطقه مطالعاتی: شهر تهران) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
با توجه به مضرات آلودگی هوا بر سلامت انسان ها و محیط، کاهش و حل این معضل براساس شناخت دقیق آلاینده ها و عوامل تأثیرگذار بر آن و مشخص نمودن پهنه های آلوده ضروری به نظر می رسد؛ بنابراین استفاده از مدل های ریاضی در قالب یادگیری ماشینی رویکردی بهینه و مقرون به صرفه برای مدل سازی آلودگی هواست. این تحقیق به لحاظ هدف کاربردی بوده و روش بررسی آن توصیفی-تحلیلی است. نوآوری تحقیق حاضر ارائه یک رویکرد ترکیبی جدید جهت تعیین معیارهای مؤثر در پیش بینی میزان آلودگی هوا می باشد. لذا هدف از تحقیق حاضر ارزیابی و مقایسه قابلیت دو مدل یادگیری ماشین، یعنی ماشین بردار پشتیبان ( SVM) و جنگل تصادفی ( RF) در ترکیب با الگوریتم ژنتیک (GA) جهت پیش بینی میزان آلودگی هوا در شهرستان تهران است. داده های مورداستفاده در این تحقیق شامل ذرات معلق و آلاینده های گازی شهر تهران مرتبط با سال 1399 می باشد که از شرکت کنترل ترافیک شهر تهران اخذ گردیده است. به منظور تجزیه وتحلیل داده ها از نرم افزارهای Matlab و ArcMap استفاده شد. مقدار ضریب تشخیص (R2) حاصل از روش ترکیبی RF-GA برابر 997/0 به دست آمد که نشان دهنده سازگاری بالای این مدل با داده های این تحقیق است. همچنین مقدار ریشه میانگین خطای مربعات (RMSE) برابر 153/0 به دست آمد که نشان دهنده دقت بالای این مدل می باشد. بر اساس اطلاعات گرفته شده از شرکت کنترل ترافیک شهر تهران، نتایج حاصل از روش RF بیانگر مناسب بودن انتخاب مدل مذکور جهت برآورد میزان آلودگی هوای شهر تهران بوده است.Development of Machine Learning Algorithms to Predict Urban Air Quality Index (Study Area: Tehran City)
Considering the harms of air pollution on human health and the environment, it seems necessary to reduce and solve this problem based on accurate knowledge of pollutants and criteria affecting it and identifying polluted areas. Therefore, using mathematical models in the form of machine learning is an optimal and cost-efficient approach to air pollution modeling. This research is applied in terms of purpose and its method is descriptive-analytical. The novelty of this research is presenting a new combination approach to determine the effective criteria for predicting the amount of air pollution. Therefore, the purpose of this study was to evaluate and compare the capabilities of two machine learning models, namely Support Vector Machine (SVM) and Random Forest (RF) in combination with Genetic Algorithm (GA) to predict air pollution in Tehran. The data used in this research include particulate matter and gaseous pollutants in Tehran in 2020, which was obtained from Tehran Traffic Control Company. MATLAB and ArcMap software were used to analyze the data. The value of coefficient of determination (R2) obtained from the combined RF-GA method was 0.997, which indicates the high compatibility of this model with the data of this study. Moreover, the Root Mean Square Error (RMSE) value from the combined RF-GA method was 0.153, which indicates high accuracy of this model. Based on the data obtained from Tehran Traffic Control Company, the results of the RF method indicate the appropriateness of selecting the model to estimate the amount of air pollution in Tehran.
تبلیغات
