پیش بینی کوتاه مدت آلاینده ذرات معلق ناشی از جریان ترافیک با استفاده از ماشین بردار پشتیبان (مطالعه موردی: شهر تهران)

یکی از مسائل حائز اهمیت در شهرها و کلان شهرهایی که با معضلات و آثار زیان بار آلودگی مواجه هستند، مسئله اطلاع رسانی وضعیت آینده کیفیت هوا و میزان آلودگی هوای شهری به مردم است. این مهم می تواند از طریق پیش بینی های روزانه یا حتی ساعتی وضعیت آلودگی هوا میسر شود و از قرارگیری افراد جامعه در مکان های آلوده و تبعات جبران ناپذیر آن جلوگیری کند. بنابراین نیاز به پیش بینی وضعیت کیفی هوا و تخمین های کمی از غلظت آلاینده ها در پی آمدوشد وسایل نقلیه احساس می شود که در این پژوهش به مسئله پیش بینی ساعتی غلظت آلاینده ذرات معلق (PM۲.۵) در منطقه ۱۱ شهرداری تهران پرداخته شده که در حدود ۸۰ درصد روزهای آلوده سال تحت اثر این آلاینده ار حد سالم تجاوز کرده است. روش مورد استفاده برای پیش بینی در این پژوهش، یکی از روش های تحلیل شبکه های عصبی با نام ماشین بردار پشتیبان (SVM) است. نتایج حاصل از این تحقیق نشان داد که مدل های SVM در پیش بینی سهم و مشارکت ترافیک ساعتی جاده ای در انتشار ذرات معلق به شدت خوب عمل می کنند و پیش-بینی ها به خوبی با مشاهدات هماهنگی دارند و این فرصت را فراهم می کند تا به عنوان ابزار مدیریت کیفیت هوا به کار روند.

کلیدواژه ها:

Air Pollution Prediction ، Support Vector Machines ، Traffic Flow ، Particulate Matter ، Air Quality Management ، پیش بینی آلودگی هوا ، ماشین بردار پشتیبان ، جریان ترافیک ، ذرات معلق ، مدیریت کیفیت هوا