توسعه الگوريتم‌هاي يادگيري ماشين جهت پيش‌بيني شاخص كيفيت هواي شهري (منطقه مطالعاتي: شهر تهران)

با توجه به مضرات آلودگي هوا بر سلامت انسان‌ها و محيط، كاهش و حل اين معضل براساس شناخت دقيق آلاينده‌ها و عوامل تأثيرگذار بر آن و مشخص نمودن پهنه‌هاي آلوده ضروري به نظر مي‌رسد؛ بنابراين استفاده از مدل‌هاي رياضي در قالب يادگيري ماشيني رويكردي بهينه و مقرون به صرفه براي مدل‌سازي آلودگي هواست. اين تحقيق به‌ لحاظ هدف كاربردي بوده و روش بررسي آن توصيفي-تحليلي است. نوآوري تحقيق حاضر ارائه يك رويكرد تركيبي جديد جهت تعيين معيارهاي مؤثر در پيش‌بيني ميزان آلودگي هوا مي‌باشد. لذا هدف از تحقيق حاضر ارزيابي و مقايسه قابليت دو مدل يادگيري ماشين، يعني ماشين بردار پشتيبان (‏SVM)‏ و جنگل تصادفي (‏RF) ‏در تركيب با الگوريتم ژنتيك (GA) جهت پيش‌بيني ميزان آلودگي هوا در شهرستان تهران است. داده‌هاي مورداستفاده در اين تحقيق شامل ذرات معلق و آلاينده‌هاي گازي شهر تهران مرتبط با سال 1399 مي‌‌باشد كه از شركت كنترل ترافيك شهر تهران اخذ گرديده است. به منظور تجزيه‌وتحليل داده‌ها از نرم‌افزارهاي Matlab و ArcMap استفاده شد. مقدار ضريب تشخيص (R2)  حاصل از روش تركيبي RF-GA برابر 0.997 به دست آمد كه نشان دهنده سازگاري بالاي اين مدل با داده هاي اين تحقيق است. همچنين مقدار ريشه ميانگين خطاي مربعات (RMSE) برابر 0.153 به دست آمد كه نشان دهنده دقت بالاي اين مدل مي باشد. بر اساس اطلاعات گرفته شده از شركت كنترل ترافيك شهر تهران، نتايج حاصل از روش RF بيانگر مناسب بودن انتخاب مدل مذكور جهت برآورد ميزان آلودگي هواي شهر تهران بوده است.