مهندسی عمران مدرس، جلد ۱۸، شماره ۴، صفحات ۰-۰
عنوان فارسی پیش‌بینی کوتاه‌مدت آلاینده ذرات معلق ناشی از جریان ترافیک با استفاده از ماشین بردار پشتیبان (مطالعه موردی: شهر تهران)
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Short-term Prediction of Particulate Matter Related to Traffic Flow Using Support Vector Machine (Case Study: Tehran City)
چکیده انگلیسی مقاله In recent decades, increasing population density and economic and industrial activities in metropolitan cities has increased traffic volumes and, consequently, increased levels of air pollution. The major source of air pollution in major developing cities is the massive transport of vehicles that use more than standard fuel and energy, and heavy traffic in the streets of these cities is often rooted in problems such as there is a lack of traffic management and traffic culture. One of the important issues in cities and metropolises that face pollution problems and harmful effects is the issue of informing about the future status of air quality and the amount of urban air pollution to the people. This can be achieved through daily or even hourly forecasts of air pollution and preventing people from being exposed to contaminated areas and their irreversible consequences. Therefore, the need to predict the quality of the air and the quantitative estimates of the concentration of pollutants in the aftermath of the equipment makes it felt that in this study, the problem of the predicted hourly concentration of particulate matter (PM2.5) in the district 11 municipalities of Tehran have exceeded 80% of the contaminated days under the influence of this pollutant. The difficulty and uncertainty associated with estimating and predicting the share of road traffic volume at the general level of air quality is the most important factor that can, if properly diagnosed, be very helpful. In order to take into account the effects of varying the volume of different traffic fleets in the process of changes in the concentration of pollutants and air pollution, it is necessary to pay attention to the effects of other influential variables including hydrological variables, geographical variables, etc. To achieve this, The methods of analytic analysis seem to be able to examine all of these effects together and in an omnipresent manner. The method used to predict this study is one of the methods for analyzing neural networks called Support Vector Machine (SVM). Artificial neural networks are important tools in the field of computational intelligence. Different types of artificial neural networks have been introduced, mainly in applications such as classification, clustering, pattern recognition, modeling and approximation of functions (or regression), control, estimation and optimization of the case Are used. Support Vector Machines (SVM) are a special type of neural network that, unlike other types of neural networks (such as multi-layer perceptron MLP and radial base functions of the RBF), instead of minimizing the error, minimize the operational risk of classification or modeling. Slowly This tool is very powerful and can be used in various fields such as classification, clustering and regression. The results of this study showed that SVM models work well in predicting the contribution and time share of road traffic in propagation of particulate matter, and predictions are well-coordinated with observations. It provides the opportunity to be used as an air quality management tool. Variable significance analysis results for SVM models provide this opportunity to be used as a tool for air quality management, in which the sensitivity of models to variations in emissions can be used to evaluate the effectiveness of a The air quality management scenario will test traffic fleet technology, combine the traffic fleet or its volume.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمدرضا کاشی پزان قمی | Mohammadreza Kashipazan Qomi
Civil Engineering Department, Faculty of Engineering, Kharazmi University, Tehran, Iran
گروه عمران، دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران

بهروز شیرگیر | Behrooz Shirgir
Civil Engineering Department, Faculty of Engineering, Kharazmi University, Tehran, Iran
گروه مهتدسی عمران، دانشکده فنی و مهندسی، دانشگاه خوارزمی، تهران، ایران

نشانی اینترنتی http://journals.modares.ac.ir/browse.php?a_code=A-16-26450-1&slc_lang=fa&sid=16
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات