توسعه مدل ترکیبی برپایه شبکه عصبی جهت مدل سازی کیفیت هوای داخلی بازار تبریز به لحاظ ذرات معلق

ﺷﺒﮑﻪ ﻫﺎی ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ، ﺳﯿﺴﺘﻢ ﻫﺎی ﻣﺤﺎﺳﺒﻪ ﮐﻨﻨﺪه ای ﻫﺴﺘﻨﺪ ﮐﻪ از ﺷﺒﮑﻪ ﻫﺎی ﻋﺼﺒﯽ زﯾﺴﺘﯽ اﻟﻬﺎم ﮔﺮﻓﺘﻪ ﺷﺪه اﻧﺪ. اﯾﻦ ﺷﺒﮑﻪ ﻫﺎ اﻧﻮاع ﮔﻮﻧﺎﮔﻮﻧﯽ دارﻧﺪ و ﺑﻪ ﺧﻮﺑﯽ ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﻪ ﺷﻨﺎﺳﺎﯾﯽ، ﻃﺒﻘﻪ ﺑﻨﺪی و ﭘﯿﺶ ﺑﯿﻨﯽ ﻣﺴﺎﺋﻞ ﻣﺨﺘﻠﻒ ﺑﭙﺮدازﻧﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ آﺛﺎر زﯾﺎن ﺑﺎر آﻟﻮدﮔﯽ ﻫﻮا در ﺷﻬﺮﻫﺎی ﺑﺰرگ و ﺳﭙﺮی ﺷﺪن ﺳﺎﻋﺖ ﻫﺎی ﺑﺴﯿﺎری از زﻧﺪﮔﯽ ﻫﺮ اﻧﺴﺎن در ﻓﻀﺎﻫﺎی ﺑﺴﺘﻪ، ﺑﺮرﺳﯽ ﮐﯿﻔﯿﺖ ﻫﻮای داﺧﻠﯽ اﻣﺎﮐﻦ ﺑﺴﯿﺎر ﺿﺮوری اﺳﺖ. آﻻﯾﻨﺪه ﻫﺎی ﻣﺨﺘﻠﻔﯽ در ﻓﻀﺎﻫﺎی ﺑﺴﺘﻪ وﺟﻮد دارﻧﺪ ﮐﻪ از ﺑﯿﻦ آن ﻫﺎ، ذرات ﻣﻌﻠﻖ ﺗﻮﺟﻪ زﯾﺎدی را ﺑﻪ ﻋﻠﺖ ﺗﺄﺛ ﯿﺮات ﻓﺎﺟﻌﻪ ﺑﺎر ﺑﺮ ﺳﯿﺴﺘﻢ ﺗﻨﻔﺴﯽ و ﺣﺘﯽ ﺳﯿﺴﺘﻢ ﮔﺮدش ﺧﻮن ﺑﻪ ﺧﻮد ﺟﻠﺐ ﮐﺮده اﺳﺖ. در اﯾﻦ ﺗﺤﻘﯿﻖ ﺑﺎ ﺟﻤﻊ آوری داده ﻫﺎی ﻣﻮرد ﻧﯿﺎز از ﻓﻀﺎﻫﺎی داﺧﻠﯽ ﺑﺎزار ﺗﺒﺮﯾﺰ ﮐﯿﻔﯿﺖ ﻫﻮای آن ﺑﻪ ﻟﺤﺎظ ذرات ﻣﻌﻠﻖ ﺑﺮﭘﺎﯾﮥ ﻣﺪل ﻫﺎی ﻣﺨﺘﻠﻒ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺑﺮرﺳﯽ ﺷﺪ. ﻃﻮل ﻣﻌﺎﺑﺮ، ﻋﺮض ﻣﻌﺎﺑﺮ، ﺗﺮاﮐﻢ ﻧﺴﺒﯽ ﺟﻤﻌﯿﺖ، ﺟﻨﺲ ﮐﻒ، وﺟﻮد ﯾﺎ ﻋﺪم وﺟﻮد ﺗﻬﻮﯾﻪ، ﺗﻨﻮع ﮐﺎرﺑﺮی، ﻓﺎﺻﻠﻪ از ﺧﯿﺎﺑﺎن ﻫﺎی ﻣﺠﺎور، ﺑﻠﻨﺪی ﺳﻘﻒ، دﻣﺎ و رﻃﻮﺑﺖ ﻧﺴﺒﯽ در 1081 ﻣﻮﻗﻌﯿﺖ ﻣﺨﺘﻠﻒ از اﺳﻔﻨﺪﻣﺎه ﺳﺎل 1396 ﺗﺎ اردﯾﺒﻬﺸﺖ 1397 اﺧﺬ ﺷﺪ. در ﻓﺮوردﯾﻦ ﻣﺎه، ﺑﺮای 86 ﻧﻘﻄﻪ از ﻧﻘﺎط ﺛﺒﺖ ﺷﺪه، آﻻﯾﻨﺪه ﻫﺎی pm2.5 و pm 10 ﺑﻪ ﮐﻤﮏ ﺣﺴﮕﺮ ﻗﺎﺑﻞ ﺣﻤﻞ ﺛﺒﺖ ﺷﺪ و ﺑﺮای ﺳﺎﺧﺖ ﺷﺒﮑﻪ ﺑﻪ ﮐﺎر ﮔﺮﻓﺘﻪ ﺷﺪ. ﭘﺲ از ﻣﻘﺎﯾﺴﮥ ﺷﺒﮑﻪ ﻫﺎی ﻣﺨﺘﻠﻒ ﺑﺎ ﭘﺎراﻣﺘﺮﻫﺎی ﮔﻮﻧﺎﮔﻮن ﺷﺒﮑﻪ ﺑﻬﯿﻨﻪ ﺗﻌﯿﯿﻦ ﺷﺪ. ﺳﭙﺲ ﺑﻪ ﻣﻨﻈﻮر اﻓﺰاﯾﺶ ﮐﺎراﯾﯽ ﻣﺪل، ﺷﺒﮑﮥ ﺳﺎﺧﺘﻪ ﺷﺪه ﺑﺎ ﻃﺒﻘﻪﺑﻨﺪ ترکیبی lsboost ادغام شد. ﺷﺪ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﭘﯿﺎده ﺳﺎزی ﺻﻮرت ﮔﺮﻓﺘﻪ ﺑﻬﺘﺮﯾﻦ ﺷﺒﮑﻪ ﺑﺮای آﻻﯾﻨﺪه 2.5 pm ﺑﺎ دو ﻻﯾﮥ ﭘﻨﻬﺎن، ﺗﺎﺑﻊ آﻣﻮزش mse و traincgb ﺑﺮاﺑﺮ 385/. و ﺑﺮای آﻻﯾﻨﺪه 10 pm ﻧﯿﺰ ﺑﺎ ﯾﮏ ﻻﯾﻪ ﭘﻨﻬﺎن، ﺗﺎﺑﻊ آﻣﻮزش trainlm و mse ﺑﺮاﺑﺮ 2779/. ﺑﻪ دﺳﺖ آﻣﺪه اﺳﺖ. ﻧﺘﺎﯾﺞ ﺑﻪ دﺳﺖ آﻣﺪه از ﻣﺪل ﭘﯿﺸﻨﻬﺎدی ﺗﺤﻘﯿﻖ ﺑﻪ ﺻﺤﺖ 67 /97 درﺻﺪ ﺑﺮای ﭘﯿﺶ ﺑﯿﻨﯽ ﮐﻼس آﻻﯾﻨﺪه ﻫﺎی 2.5 pm و 10 pm رسیده است.