ارائه الگوی داده کاوی مبتنی بر شاخص توسعه پایدار شهری متاثر از محدودیت‌های حمل و نقل و تردد در دوره همه‌گیری کووید-19

در پاسخ به همه‌گیری کووید-19، دولت‌ها در سراسر دنیا محدودیت‌های شدید تردد را اعمال نموده و سناریوهای متفاوتی از کاهش انتشار آلاینده‌های ناشی از منابع ترافیکی را ارائه کردند. با اعمال محدودیت‌های تردد ناشی از همه‌گیری کووید-19، انتظار می‌رفت تغییراتی در غلظت‌ آلاینده‌های هوا مشاهده شود. از این رو، تصمیم بر آن شد که تغییرات آلاینده‌های هوا به عنوان یکی از زیرمجموعه‌های شاخص زیست‌محیطی توسعه پایدار شهری در زمان همه‌گیری کووید - مورد بررسی ‌قرار گیرد. به این منظور، ابتدا داده‌های مذکور در چهارکلان‌شهر تهران، کرج، اهواز و تبریز جمع‌آوری و سپس پردازش و پاکسازی می‌شوند. پس از آن یک الگوریتم پیشنهادی مبتنی بر روش-های یادگیری ماشین ارائه می‌گردد. بر روی ویژگی‌های انتخاب شده، روش‌های یادگیری ماشین: درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، شبکه بیزین و شبکه عصبی پرسپترون اعمال می‌شود. بررسی‌ها نشان داد که مدل پیش‌بینی با استفاده از درخت تصمیم و جنگل تصادفی بهترین عملکرد را برای هر دو معیار فراخوانی و صحت داشت. نتایج تحقیق نشان داد که تاثیر محدودیت‌ها بر روی غلظت آلاینده-ها در شهرهای مختلف، متفاوت می‌باشد. همچنین نتایج بیانگر این است که به‌طور‌کلی اعمال محدودیت‌های ترافیکی در دوره همه‌گیری، تاثیر قابل توجه و محسوسی در کاهش غلظت آلاینده‌های هوا نداشته است. همچنین با مقایسه روند تغییر شاخص کیفیت هوا با میزان مرگ‌و‌میر در دوره همه‌گیری مشخص شد که ارتباطی بین آنها وجود ندارد.

presenting a data mining model based on the index of sustainable urban development affected by transportation and traffic restrictions during the covid-19 pandemic

in response to the covid-19 pandemic, governments around the world have imposed severe traffic restrictions and presented different scenarios to reduce emissions from traffic sources. by applying the traffic restrictions caused by the covid-19 epidemic, it was expected to see changes in the concentrations of air pollutants. therefore, it was decided that the changes of air pollutants as one of the subsets of the environmental index of sustainable urban development during the covid-19 epidemic will be investigated. for this purpose, the aforementioned data are first collected in the four metropolitan cities: tehran, karaj, ahvaz and tabriz, and then processed and cleaned. after that, a proposed algorithm based on machine learning methods is presented. machine learning methods: decision tree, random forest, support vector machine, bayesian network and perceptron neural network are applied to the selected features. investigations showed that the prediction model using decision tree and random forest had the best performance for both recall and accuracy criteria. the research results showed that the effect of restrictions on the concentration of pollutants in different cities is different. also, the results show that, in general, the application of traffic restrictions during the epidemic period did not have a significant and noticeable effect in reducing the concentration of air pollutants. also, by comparing the change in air quality index with the death rate during the epidemic period, it was found that there is no relationship between them.