پیش‌بینی کوتاه‌مدت آلاینده ذرات معلق ناشی از جریان ترافیک با استفاده از ماشین بردار پشتیبان (مطالعه موردی: شهر تهران)

Abstract

یکی از مسائل حائز اهمیت در شهرها و کلان‌شهرهایی که با معضلات و آثار زیان‌بار آلودگی مواجه هستند، مسئله اطلاع‌رسانی وضعیت آینده کیفیت هوا و میزان آلودگی هوای شهری به مردم است. این مهم می‌تواند از طریق پیش‌بینی‌های روزانه یا حتی ساعتی وضعیت آلودگی هوا میسر شود و از قرارگیری افراد جامعه در مکان‌های آلوده و تبعات جبران‌ناپذیر آن جلوگیری کند. بنابراین نیاز به پیش‌بینی وضعیت کیفی هوا و تخمین‌های کمی از غلظت آلاینده‌ها در پی آمدوشد وسایل‌نقلیه احساس می‌شود که در این پژوهش به مسئله پیش‌بینی ساعتی غلظت آلاینده ذرات معلق (PM2.5) در منطقه 11 شهرداری تهران پرداخته شده که در حدود 80 درصد روزهای آلوده سال تحت اثر این آلاینده ار حد سالم تجاوز کرده است. روش مورد استفاده برای پیش‌بینی در این پژوهش، یکی از روش‌های تحلیل شبکه‌های عصبی با نام ماشین بردار پشتیبان (SVM) است. نتایج حاصل از این تحقیق نشان داد که مدل‌های SVM در پیش‌بینی سهم و مشارکت ترافیک ساعتی جاده‌ای در انتشار ذرات معلق به‌شدت خوب عمل می‌کنند و پیش-بینی‌ها به‌خوبی با مشاهدات هماهنگی دارند و این فرصت را فراهم می‌کند تا به‌عنوان ابزار مدیریت کیفیت هوا به‌کار روند.