مدل‌سازی و پیش‌بینی پایداری سامانه‌های شهری هوشمند با استفاده از الگوریتم‌های یادگیری عمیق و داده‌های واقعی سنسورهای اینترنت اشیا

رشد سریع شهرنشینی و فشارهای ناشی از آن بر منابع طبیعی و زیرساخت‌های شهری، ضرورت بهره‌گیری از فناوری‌های نوین در مدیریت پایدار شهرها را بیش از پیش آشکار کرده است. شهرهای هوشمند با تکیه بر اینترنت اشیا و کلان‌داده، فرصتی بی‌نظیر برای جمع‌آوری داده‌های لحظه‌ای از سنسورهای مختلف فراهم می‌کنند که می‌تواند به‌عنوان مبنای تصمیم‌گیری در بهبود کیفیت زندگی، کاهش مصرف انرژی و ارتقای تاب‌آوری شهری به کار رود. با این حال، تحلیل حجم عظیم داده‌های متنوع و غیرایستا چالش مهمی است که نیازمند روش‌های پیشرفته یادگیری ماشین و یادگیری عمیق می‌باشد. پژوهش حاضر با هدف مدل‌سازی و پیش‌بینی پایداری سامانه‌های شهری هوشمند، از داده‌های واقعی سنسورهای اینترنت اشیا در حوزه‌هایی چون کیفیت هوا، مصرف انرژی، ترافیک و مدیریت پسماند استفاده می‌کند. در این مطالعه، الگوریتم‌های یادگیری عمیق شامل شبکه‌های عصبی بازگشتی (rnn)، شبکه‌های lstm و مدل‌های ترکیبی cnn-lstm برای پیش‌بینی شاخص‌های پایداری شهری به‌کار گرفته شده است. داده‌های پژوهش از پایگاه‌های بین‌المللی نظیر smartsantander و citypulse استخراج شده و پس از پیش‌پردازش و نرمال‌سازی، برای آموزش و آزمون مدل‌ها مورد استفاده قرار گرفته است. نتایج نشان می‌دهد که مدل‌های lstm با دقت بالاتر (rmse=0.12) نسبت به سایر الگوریتم‌ها توانسته‌اند تغییرات شاخص‌های زیست‌محیطی و مصرف انرژی را در بازه‌های زمانی کوتاه و میان‌مدت پیش‌بینی کنند. همچنین، تحلیل جدول‌ها و نمودارهای چندپارامتری نشان می‌دهد که به‌کارگیری مدل‌های ترکیبی یادگیری عمیق می‌تواند همبستگی پیچیده میان متغیرهای شهری (مانند همزمانی آلودگی هوا و حجم ترافیک) را بهتر شناسایی کند. بر این اساس، نتایج این پژوهش می‌تواند مبنای تصمیم‌گیری مدیران شهری برای ارتقای سیاست‌های پایداری و توسعه زیرساخت‌های هوشمند در ایران و دیگر کشورها قرار گیرد.