مقایسه کاربرد روش‌های شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره براساس تحلیل ‌مؤلفه‌های اصلی برای پیش‌بینی غلظت میانگین روزانه کربن‌مونوکسید: بررسی موردی شهر تهران

Abstract

هدف از این مقاله، پیش‌بینی میانگین غلظت روزانه کربن‌مونوکسید در هوای شهر تهران با استفاده از دو مدل شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره برحسب تحلیل مؤلفه اصلی (PCA) است. از روش PCA برای از بین بردن هم‌راستایی چندگانه (multicolinearity) بین متغیرهای ورودی و تفسیر بهتر نتایج مدل رگرسیونی استفاده شده است. همچنین با استفاده از <br /> شبکه عصبی Feed-Forward با یک لایه پنهان نیز مدل مناسب برای این امر ایجاد شده ‌است. به‌منظور پیش‌بینی غلظت کربن‌مونوکسید آمار سال‌های 1383 و 1384 ایستگاه قلهک واقع در شمال تهران مورد استفاده قرار گرفته ‌است. پس از <br /> اجرای مدل‌های پیش‌گفته، ضریب همبستگی (R)، شاخص میانگین نسبی خطای مطلق (MARE) و خطای میانگین مجموع <br /> مربعات (RMSE) در شبکه عصبی برای مرحله آزمون، به ترتیب برابر با 716/0، 158/0 و 969/0 به‌دست آمده که در مقایسه با مدل ترکیبی رگرسیونی (581/0= R ، 189/0 MARE = و 138/1 RMSE =) حاکی از برتری مطلق نتایج شبکة عصبی نسبت به مدل ترکیبی رگرسیونی است.