مدل‌سازی آلاینده منوکسید کربن در شهر تهران با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه

Abstract

در این مقاله، از شبکه عصبی مصنوعی پرسپترون چند لایه به منظور پیش‌بینی و مدل‌سازی آلاینده منوکسید کربن در شهر تهران استفاده شده است. بدین منظور از داده‌های زمانی مربوط به بازه زمانی 10 ساله اخیر استفاده شده است. لایه‌های ورودی شبکه عصبی پیشنهادی‌ شامل سرعت باد، میزان بارش، تشعشع خورشید، میزان رطوبت هوا و رفتارهای اجتماعی-ترافیکی می‌باشد که به صورت بازه زمانی 24 ساعته دریافت می‌شوند. بهترین توپولوژی شبکه عصبی شامل تعداد لایه‌ها، تعداد نرون‌های هر لایه، تابع انتقال و الگوریتم آموزش، به کمک نرم‌افزار متلب پیاده‌سازی می‌شود. با توجه به اینکه رفتار اجتماعی-ترافیکی مردم نیز بر روی کیفیت هوا بسیار تأثیرگذار است، اثر آن از طریق طبقه‌بندی و جداسازی داده‌های مربوط به ایام نوروز و لحاظ کردن پارامتر روز و ماه اعمال شده است. نتایج حاصل از مدل¬سازی نشان می¬دهد که الگوریتم بهینه برای آلاینده منوکسید کربن، تابع آموزشی لونبرگ-مارکوآت می¬باشد، چرا که مقدار میانگین مربعات خطای آن کمترین مقدار و ضریب همبستگی آن نسبت به بقیه الگوریتم¬ها مطلوب¬تر است. همچنین، با مقایسه میانگین مربعات خطا و ضریب همبستگی، مشاهده شد که تعداد نرون بهینه برای لایه پنهان برابر 10 نرون است. از بین داده‌هایی که به عنوان ورودی به شبکه عصبی داده شد، مقدار غلظت آلاینده در روز قبل بیش‌ترین اهمیت را در پیش‌بینی دارد. بر اساس نتایج حاصل از این پژوهش این¬گونه دریافت می¬شود که لزوماً استفاده از لایه¬های پنهان بیشتر و تعداد نرون¬های بیشتر در لایه¬های شبکه عصبی، منجر به عملکرد بهتری نخواهد شد.