ارايه‌ي روشي پويا براي پيش‌بيني مكاني-زماني آلودگي هواي شهر تهران بر مبناي ماشين بردار پشتيبان

An Online Approach for Spatio-Temporal Prediction of Air Pollution in Tehran using Support Vector Machine

با توجه به آثار سو آلودگي هوا بر سلامت انسان‌ها و محيط، پيش‌بيني و مدلسازي اين پديده از جمله مسايل مهم در چند دهه‌ي گذشته بوده است. ديناميك غير‌خطي و حجم بالاي داده‌هاي آلودگي هوا، مشكلات پيش‌بيني اين پديده‌ي پيچيده را، بويژه در پردازش‌هاي پويا، دوچندان كرده است. هدف اين پژوهش، ارايه‌ي الگوريتمي برخط است كه بتواند با حل مشكلات روش‌هاي پيشين در پيش‌بيني برخط آلودگي هوا، سري زماني آلودگي هواي شهر تهران را به صورت پويا پيش‌بيني كند. الگوريتم برخط ارايه شده بر مبناي ماشين بردار پشتيبان طراحي شده است. در الگوريتم ارايه شده، پيش‌بيني مبتني بر داده‌هاي جرياني جمع‌آوري شده توسط سنجنده‌هاي آلودگي هوا، سنجنده‌هاي هواشناسي و همچنين داده‌هاي مكاني همچون ترافيك، ارتفاع متوسط منطقه و ويژگي‌هاي سطح زمين انجام مي‌شود. نتايج حاصل شده بيانگر دقت مناسب الگوريتم برخط، جهت پيش‌بيني پوياي آلودگي هواي شهر تهران مي‌باشد. استفاده از داده‌هاي يك سال جهت انجام تست، دقت 0.71 و خطاي جذر ميانگين مربعات 0.54 و ضريب تعيين 0.81 را حاصل كرده است. افزون بر دقت مناسب، سرعت بالاي پردازش‌ها در الگوريتم برخط، كارايي اين الگوريتم را براي طراحي سيستمي آنلاين جهت پيش‌بيني آلودگي هواي شهر تهران براي چند ساعت آينده به اثبات مي‌رساند.

Due to its critical impact on human health and the environment, monitoring and prediction of air pollution have become an important issue during the past decades. Non-linear behavior of air pollution in one hand and high volume of required data on the other hand, intensifies the complexity of air pollution prediction especially in online applications. In order to overcome the deficiencies of traditional methods, this study proposes an online algorithm based on Support Vector Machine (SVM) to predict the time series of air pollution in the city of Tehran, Iran. Prediction is performed on the basis of time series data of pollutant concentrations, weather condition, and geographical parameters such as traffic, surface curvature and local altitude. Evaluation of the outputs shows that prediction errors are within an acceptable range and the online algorithm has an outstanding speed in comparison with the conventional SVM. The overall accuracy of 0.71, RMSE of 0.54 and R2 of 0.81 prove the efficiency of the proposed algorithm to develop a system to dynamically predict Tehran’s air pollution in advance.