مدل سازی و پیش بینی پایداری سامانه های شهری هوشمند با استفاده از الگوریتم های یادگیری عمیق و داده های واقعی سنسورهای اینترنت اشیا

رشد سریع شهرنشینی و فشارهای ناشی از آن بر منابع طبیعی و زیرساخت های شهری ضرورت بهره گیری از فناوری های نوین در مدیریت پایدار شهرها را بیش از پیش آشکار کرده است. شهرهای هوشمند با تکیه بر اینترنت اشیا و کلان داده فرصتی بی نظیر برای جمع آوری داده های لحظه ای از سنسورهای مختلف فراهم می کنند که می تواند به عنوان مبنای تصمیم گیری در بهبود کیفیت زندگی، کاهش مصرف انرژی و ارتقای تاب آوری شهری به کار رود. با این حال تحلیل حجم عظیم داده های متنوع و غیر ایستا چالش مهمی است که نیازمند روش های پیشرفته یادگیری ماشین و یادگیری عمیق می باشد. پژوهش حاضر با هدف مدل سازی و پیش بینی پایداری سامانه های شهری هوشمند از داده های واقعی سنسورهای اینترنت اشیا در حوزه هایی چون کیفیت هوا، مصرف انرژی، ترافیک و مدیریت پسماند استفاده می کند. در این مطالعه الگوریتم های یادگیری عمیق شامل شبکه های عصبی بازگشتی (RNN)، شبکه های LSTM و مدل های ترکیبی CNN-LSTM برای پیش بینی شاخص های پایداری شهری به کار گرفته شده است. داده های پژوهش از پایگاه های بین المللی نظیر SmartSantander و CityPulse استخراج شده و پس از پیش پردازش و نرمال سازی برای آموزش و آزمون مدل ها مورد استفاده قرار گرفته است. نتایج نشان می دهد که مدل های LSTM با دقت بالاتر (۰.۱۲=RMSE) نسبت به سایر الگوریتم ها توانسته اند تغییرات شاخص های زیست محیطی و مصرف انرژی را در بازه های زمانی کوتاه و میان مدت پیش بینی کنند، همچنین تحلیل جدول ها و نمودارهای چند پارامتری نشان می دهد که به کارگیری مدل های ترکیبی یادگیری عمیق می تواند همبستگی پیچیده میان متغیرهای شهری (مانند همزمانی آلودگی هوا و حجم ترافیک) را بهتر شناسایی کند. بر این اساس نتایج این پژوهش می تواند مبنای تصمیم گیری مدیران شهری برای ارتقای سیاست های پایداری و توسعه زیرساخت های هوشمند در ایران و دیگر کشورها قرار گیرد.

کلیدواژه ها:

پایداری ، شهری ، شهر هوشمند ، یادگیری عمیق ، اینترنت اشیا ، پیش بینی