ارايه مدلي مناسب با استفاده از ماشين بردار پشتيبان براي پيشبيني غلظت روزانه مونوكسيدكربن در هواي شهر تهران

Introducing an Appropriate Model using Support Vector Machine for Predicting Carbon Monoxide Daily Concentration in Tehran Atmosphere

زمينه و هدف: پيشبينی دقيق آلاينده­‌های هوا، به عنوان اولين گام جهت برخورد مناسب با مشكل آلودگی هوا، ميتواند اطلاعات مفيدی را برای برنامه‌­ريزی جهت مقابله با اين موضوع در اختيار مديران ذير‌بط قرار دهد. در اين مقاله با توجه به معضل آلاينده مونوكسيدكربن (CO) در هوای شهر تهران، اقدام به ارايه مدلی مناسب برای پيشبينی اين آلاينده شده است. روش بررسی: برای اين منظور از اطلاعات آلايندههای هوا و پارامترهای هواشناسی ثبت شده در ايستگاه قلهك در شمال تهران كه مجموعا 12 ورودی به مدل برای پيشبينی غلظت ميانگين روزانه CO را تشكيل ميدادند، استفاده گرديد. در گام اول اين مطالعه از مدل ماشين بردار پشتيبان (SVM) برای مدلسازی غلظت روزانه CO استفاده شد. در گام بعد با استفاده از تكنيك انتخاب پيشرو، تعداد ورودی به مدل SVM از 12 به 7 متغير كاهش و سپس مدل مناسبی (مدل FS-SVM) جهت پيشبينی غلظت روزانه CO توسعه داده شد. يافته‌ها: به منظور ارزيابی دقت مدل­‌های SVM و FS-SVM در پيش‌بينی روزانه CO در شهر تهران از شاخص ضريب همبستگی استفاده گرديد. ضريب همبستگی در مرحله تست هر دو مدل مذكور تقريبا يكسان بوده وحاكی از دقت مناسب هر دو مدل در پيش‌بينی روزانه CO است. به هر حال بايد توجه داشت كه استفاده از مدل FS-SVM به دليل كاهش تعداد متغيرهای ورودی نسبت به مدل SVM، با هزينه‌های كمتر محاسباتی و اقتصادی همراه است. نتيجه‌گيری: نتايج به دست آمده از اين دو مدل مشخص نمود كه اگرچه هر دو مدل از دقت تقريبا يكسانی در پيشبينی غلظت روزانه CO برخوردارند، اما مدل FS-SVM به دليل نياز به تعداد كمتر ورودی و در نتيجه حجم محاسباتی كمتر، ميتواند از عملكرد بهتری در اين زمينه برخوردار باشد.

Backgrounds and Objectives: Precise air pollutants prediction, as the first step in facing air pollution problem, could provide helpful information for authorities in order to have appropriate actions toward this challenge. Regarding the importance of carbon monoxide (CO) in Tehran atmosphere, this study aims to introduce a suitable model for predicting this pollutant. Materials and Method: We used the air pollutants and meteorological data of Gholhak station located in the north of Tehran; these data provided 12 variables as inputs for predicting the average CO concentration of the next day. First, support vector machine (SVM) model was used for forecasting CO daily average concentration. Then, we reduced the SVM inputs to seven variables using forward selection (FS) method. Finally, the hybrid model, FS-SVM, was developed for CO daily average concentration forecasting. Result: In the research, we used correlation coefficient to evaluate the accuracy of both SVM and FS-SVM models. Findings indicated that correlation coefficient for both models in testing step was equal (R~0.88). It means that both models have proper accuracy for predicting CO concentration. However, it is noteworthy that FS-SVM model charged fewer amounts of computational and economical costs due to fewer inputs than SVM model. Conclusion: Results showed that although both models have relatively equal accuracy in predicting CO concentration, FS-SVM model is the superior model due to its less number of inputs and therefore, less computational burden.