بهبود پیش بینی میزان آلایندگی NO۲ با استفاده از شبکه عصبی روش گروهی مدل سازی داده ها بهبود یافته با الگوریتم بهینه سازی ارشمیدس (مطالعه موردی ایستگاه هواشناسی و آلودگی مهرآباد تهران

  • سال انتشار: 1402
  • محل انتشار: نخستین کنفرانس ملی اینترنت اشیا
  • کد COI اختصاصی: IOTCONFES01_031
  • زبان مقاله: فارسی
  • تعداد مشاهده: 317
دانلود فایل این مقاله

نویسندگان

محمد حیدری خواه

دانشجوی کارشناسی ارشد گروه مهندسی ایمنی بهداشت و محیط زیست واحد تهران مرکز دانشگاه آزاد اسلامی تهران ایران

سمیرا قیاسی

عضو هیئت علمی گروه مهندسی ایمنی بهداشت و محیط زیست واحد تهران مرکز دانشگاه آزاد اسلامی تهران ایران

مریم اوتادی

عضو هیئت علمی گروه مهندسی ایمنی بهداشت و محیط زیست واحد تهران مرکز دانشگاه آزاد اسلامی تهران ایران

چکیده

یکی از چالشهای زیست محیطی اساسی در کلان شهرها مساله آلودگی هواست. این مساله در کلان شهری مانند تهران به علت حجم ترافیک بالا استفاده از خودروهای غیر استاندارد احتراق ناقص سوختهای مورد استفاده خودروها و بی توجهی که طی سالهای گذشته نسبت به آلودگی هوا صورت گرفته اهمیت بخصوصی پیدا کرده است. پیش بینی غلظت روزانه آلاینده های هوا اولین گام اساسی در برنامه ریزی کاهش اثرات آنها است. در این مقاله تمرکز بر پیش بینی آلایندگی No با استفاده از شبکه عصبی روش گروهی مدل سازی داده بهبود یافته با الگوریتم بهینه سازی ارشمیدس است. برای این منظور پس از جمع آوری داده ها در مرحله پیش پردازش پس از پاک سازی و نرمال سازی داده ها عمل انتخاب ویژگی با استفاده از الگوریتم تحلیل مولفه های اصلی انجام میشود سپس در مرحله پس پردازش شبکه عصبی روش گروهی مدل سازی داده با استفاده از الگوریتم بهینه سازی ارشمیدس بهبود داده میشود تا پیش بینی آلایندگی No به صورت بهینه انجام شود در جهت مقایسه روش پیشنهادی از شبکه عصبی پایه ای شعاعی استفاده شده است. نتایج حاکی از میانگین مربعات خطای ۰.۰۴۶۹ در روش پیشنهادی دارد.

کلیدواژه ها

پیش بینی آلایندگی ،دی اکسید نیتروژن، شبکه عصبی، روش گروهی، مدل سازی داده، الگوریتم بهینه سازی ارشمیدس

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.