Predicting air pollution in Tehran: Genetic algorithm and back propagation neural network

ذرات معلق اثرات زيانباري بر روي سلامتي دارد و يكي‌ از دلايلي كه تهران آسيب پذير است موقعيت جغرافيايي آن است. يكي‌ از راه‌هاي مهم كاهش آلودگي‌ هوا پيش بيني‌ غلظت آلاينده هاست. اين مقاله يك روش تركيبي‌ براي پيش بيني‌ آلودگي‌ هواي تهران بر اساس ذرات كمتر از ?? ميكرون ارايه داده است. اطلاعات و داده‌ها از ايستگاه كنترل كيفيت هواي اقدسيه و ايستگاه هواشناسي مهرآباد از سال ???? تا ???? جمع آوري شده است. بطور كلي‌ براي پيش-بيني‌ غلظت روزانه ذرات معلق مدل پيشنهادي داراي ?? ورودي است. براي اين منظور شبكه عصبي مصنوعي پس انتشار با يك لايه پنهان و تابع فعال سازي سيگمويد و تركيب آن با الگوريتم ژنتيك استفاده شد و نهايتا كارايي روش تركيبي‌ پيشنهادي با شبكه عصبي بر اساس معيار‌هاي ,RMSE, MAE2R مقايسه شد. يافته‌ها نشان مي دهد كه روش تركيبي‌ داراي 0.54889= 2R مي باشد و داراي دقت و كارايي بالاتري است. همچنين نشان داده شد كه نتايج براي بازه‌هاي زماني‌ كوتاه تر دقيق تر است كه اين به دليل نوسان بالاي داده‌ها در مدت زمان زياد است كه تاثير منفي‌ بر روي كارايي شبكه مي گذارد. همچنين داده‌هاي ثبت نشده نيز تاثير منفي‌ بر روي پيش بيني‌ دارد. مايكروسافت اكسل و متلب ???? براي شبيه سازي استفاده شده اند.

Suspended particles have deleterious effects on human health and one of the reasons why Tehran is effected is its geographically location of air pollution. One of the most important ways to reduce air pollution is to predict the concentration of pollutants. This paper proposed a hybrid method to predict the air pollution in Tehran based on particulate matter less than 10 microns (PM10), and the information and data of Aghdasiyeh Weather Quality Control Station and Mehrabad Weather Station from 2007 to 2013. Generally, 11 inputs have been inserted to the model, to predict the daily concentration of PM10. For this purpose, Artificial Neural Network with Back Propagation (BP) with a middle layer and sigmoid activation function and its hybrid with Genetic Algorithm (BP-GA) were used and ultimately the performance of the proposed method was compared with basic Artificial Neural Networks along with (BP) Based on the criteria of - R2-, RMSE and MAE. The finding shows that BP-GA R^2=0.54889 has higher accuracy and performance. In addition, it was also found that the results are more accurate for shorter time periods and this is because the large fluctuation of data in long-term returns negative effect on network performance. Also, unregistered data have negative effect on predictions. Microsoft Excel and Matlab 2013 conducted the simulations.