توسعه الگوریتم های یادگیری ماشین جهت پیش بینی شاخص کیفیت هوای شهری (منطقه مطالعاتی: شهر تهران)

با توجه به مضرات آلودگی هوا بر سلامت انسان ها و محیط، کاهش و حل این معضل براساس شناخت دقیق آلاینده ها و عوامل تاثیرگذار 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 موثر 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 ۱۳۹۹ 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 (R۲)  حاصل از روش ترکیبی RF-GA برابر ۹۹۷/۰ به دست آمد که نشان­دهنده سازگاری بالای این مدل با داده­های این تحقیق است. همچنین مقدار ریشه میانگین خطای مربعات (RMSE) برابر ۱۵۳/۰ به دست آمد که نشان­دهنده دقت بالای این مدل می­باشد. 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.

کلیدواژه ها:

آلودگی هوا ، یادگیری ماشین ، جنگل تصادفی ، ماشین بردار پشتیبان ، الگوریتم ژنتیک