[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 3، شماره 4 - ( 12-1394 ) ::
جلد 3 شماره 4 صفحات 43-63 برگشت به فهرست نسخه ها
ارائه‌ی روشی پویا برای پیش‌بینی مکانی-زمانی آلودگی هوای شهر تهران بر مبنای ماشین بردار پشتیبان
زینب قائمی ، مهدی فرنقی، عباس علیمحمدی
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (1627 مشاهده)

با توجه به آثار سوء آلودگی هوا بر سلامت انسان‌ها و محیط، پیش‌بینی و مدلسازی این پدیده از جمله مسائل مهم در چند دهه‌ی گذشته بوده است. دینامیک غیر‌خطی و حجم بالای داده‌های آلودگی هوا، مشکلات پیش‌بینی این پدیده‌ی پیچیده را، بویژه در پردازش‌های پویا، دوچندان کرده است. هدف این پژوهش، ارائه‌ی الگوریتمی برخط است که بتواند با حل مشکلات روش‌های پیشین در پیش‌بینی برخط آلودگی هوا، سری زمانی آلودگی هوای شهر تهران را به صورت پویا پیش‌بینی کند. الگوریتم برخط ارائه شده بر مبنای ماشین بردار پشتیبان طراحی شده است. در الگوریتم ارائه شده، پیش‌بینی مبتنی بر داده‌های جریانی جمع‌آوری شده توسط سنجنده‌های آلودگی هوا، سنجنده‌های هواشناسی و همچنین داده‌های مکانی همچون ترافیک، ارتفاع متوسط منطقه و ویژگی‌های سطح زمین انجام می‌شود. نتایج حاصل شده بیانگر دقت مناسب الگوریتم برخط، جهت پیش‌بینی پویای آلودگی هوای شهر تهران می‌باشد. استفاده از داده‌های یک سال جهت انجام تست، دقت 0.71 و خطای جذر میانگین مربعات 0.54 و ضریب تعیین 0.81 را حاصل کرده است. افزون بر دقت مناسب، سرعت بالای پردازش‌ها در الگوریتم برخط، کارایی این الگوریتم را برای طراحی سیستمی آنلاین جهت پیش‌بینی آلودگی هوای شهر تهران برای چند ساعت آینده به اثبات می‌رساند.

واژه‌های کلیدی: پیش‌بینی پویای آلودگی هوای شهری، ماشین بردار پشتیبان برخط، داده‌های حجیم، سری زمانی، سیستم اطلاعات مکانی
متن کامل [PDF 1341 kb]   (864 دریافت)    
نوع مطالعه: پژوهشي |
دریافت: ۱۳۹۵/۴/۱۳ | پذیرش: ۱۳۹۵/۴/۱۳ | انتشار: ۱۳۹۵/۴/۱۳
فهرست منابع
1. [1] Wang, P., et al., A novel hybrid forecasting model for PM10 and SO2 daily concentrations. Science of The Total Environment, 2015. 505(0): p. 1202-1212. [DOI:10.1016/j.scitotenv.2014.10.078]
2. [2] Hasenfratz, D., et al., Participatory air pollution monitoring using smartphones. Mobile Sensing,2012
3. [3] [Zheng, Y., F. Liu, and H.-P. Hsieh. U-Air: When urban air quality inference meets big data. in Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining. 2013. ACM.
4. [4] Sapankevych, N. and R. Sankar, Time Series Prediction Using Support Vector Machines: A Survey. IEEE Computational Intelligence Magazine, 2009. 4(2): p. 24-38. [DOI:10.1109/MCI.2009.932254]
5. [5] Finardi, S., et al., A deterministic air quality forecasting system for Torino urban area, Italy. Environmental Modelling & Software, 2008. 23(3): p. 344-355. [DOI:10.1016/j.envsoft.2007.04.001]
6. [6] Ranzato, L., et al., A comparison of methods for the assessment of odor impacts on air quality: Field inspection (VDI 3940) and the air dispersion model CALPUFF. Atmospheric Environment, 2012. 61: p. 570-579. [DOI:10.1016/j.atmosenv.2012.08.009]
7. [7] Chaloulakou, A., M. Saisana, and N. Spyrellis, Comparative assessment of neural networks and regression models for forecasting summertime ozone in Athens. Science of the Total Environment, 2003. 313(1): p. 1-13. [DOI:10.1016/S0048-9697(03)00335-8]
8. [8] Kumar, A. and P. Goyal, Forecasting of daily air quality index in Delhi. Science of the total environment, 2011. 409(24): p. 5517-5523. [DOI:10.1016/j.scitotenv.2011.08.069]
9. [9] Chen, Y., et al., Ensemble and enhanced PM 10 concentration forecast model based on stepwise regression and wavelet analysis. Atmospheric Environment, 2013. 74: p. 34.359-7
10. [10] Dong, M., et al., PM2.5 concentration prediction using hidden semi-Markov model-based times series data mining. Expert Systems with Applications, 2009. 36(5): p. 9046-9055. [DOI:10.1016/j.eswa.2008.12.017]
11. [11] Elangasinghe, M.A., et al., Complex time series analysis of PM10 and PM2.5 for a coastal site using artificial neural network modelling and k-means clustering. Atmospheric Environment, 2014. 94(0): p. 106-116. [DOI:10.1016/j.atmosenv.2014.04.051]
12. [12] [12] Wahid, H., et al., Neural network-based meta-modelling approach for estimating spatial distribution of air pollutant levels. Applied Soft Computing, 2013. 13(10): p. 4087-4096. [DOI:10.1016/j.asoc.2013.05.007]
13. [13] [13] Niska, H., et al., Evolving the neural network model for forecasting air pollution time series. Engineering Applications of Artificial Intelligence, 2004. 17(2): p. 159-167. [DOI:10.1016/j.engappai.2004.02.002]
14. [14] [14] Singh, K.P., S. Gupta, and P. Rai, Identifying pollution sources and predicting urban air quality using ensemble learning methods. Atmospheric Environment, 2013. 80: p. 426-437. [DOI:10.1016/j.atmosenv.2013.08.023]
15. [15] [15] García Nieto, P.J., et al., A SVM-based regression model to study the air quality at local scale in Oviedo urban area (Northern Spain): A case study. Applied Mathematics and Computation, 2013. 219(17): p. 8923-8937. [DOI:10.1016/j.amc.2013.03.018]
16. [16] Ip, W., et al. Forecasting daily ambient air pollution based on least squares support vector machines. in Information and Automation (ICIA), 2010 IEEE International Conference on. 2010. IEEE.
17. [17] Reikard, G., Forecasting volcanic air pollution in Hawaii: Tests of time series models. Atmospheric Environment, 2012. 60: p. 593-600. [DOI:10.1016/j.atmosenv.2012.06.040]
18. [18] Juhos, I., L. Makra, and B. Tóth, Forecasting of traffic origin NO and NO2 concentrations by Support Vector Machines and neural networks using Principal Component Analysis. Simulation Modelling Practice and Theory, 2008. 16(9): p. 1488-1502. [DOI:10.1016/j.simpat.2008.08.006]
19. [19] Wang, W., C. Men, and W. Lu, Online prediction model based on support vector machine. Neurocomputing, 2008. 71(4): p. 550-558. [DOI:10.1016/j.neucom.2007.07.020]
20. [20] Kurt, A. and A.B. Oktay, Forecasting air pollutant indicator levels with geographic models 3 days in advance using neural networks. Expert Systems with Applications, 2010. 37(12): p. 7986-7992. [DOI:10.1016/j.eswa.2010.05.093]
21. [21] Mintz, D., Technical Assistance Document for the Reporting of Daily Air Quality-the Air Quality Index (AQI). 2012: US Environmental Protection Agency, Office of Air Quality Planning and Standards.
22. [22] Halek, F., A. Kavouci, and H. Montehaie, Role of motor-vehicles and trend of air borne particulate in the Great Tehran area, Iran. International journal of environmental health research, 2004. 14(4): p. 307-313. [DOI:10.1080/09603120410001725649]
23. [23] Jenness, J., DEM surface tools v. 2.1. 254. Jenness Enterprises, Flagstaff, Arizona, USA.[Cited 5 Jan 2012.] Available from URL: http://www. jennessent. com/arcgis/surface_area. htm, 2010.
24. [24] Müller, K.-R., et al., Predicting time series with support vector machines, in Artificial Neural Networks—ICANN'97. 1, 997Springer. p. 999-1004.
25. [25] Thissen, U., et al., Using support vector machines for time series prediction. Chemometrics and intelligent laboratory systems, 2003. 69(1): p. 35-49. [DOI:10.1016/S0169-7439(03)00111-4]
26. [26] Vapnik, V.N., Statistical learning theory. Vol. 2. 1998: Wiley New York.
27. [27] Burges, C.J., A tutorial on support vector machines for pattern recognition. Data mining and knowledge discovery, 1998. 2(2): p. 121-167. [DOI:10.1023/A:1009715923555]
28. [28] Ertekin, S., et al. Learning on the border: active learning in imbalanced data classification. in Proceedings of the sixteenth ACM conference on Conference on information and knowledge management. 2007. ACM. [DOI:10.1145/1321440.1321461]
29. [29] Laskov, P., et al., Incremental support vector learning: Analysis, implementation and applications. The Journal of Machine Learning Research, 2006:7 p. 1909-1936.
30. [30] Bordes, A., et al., Fast kernel classifiers with online and active learning. The Journal of Machine Learning Research, 2005. 6: p. 1579-1619.
31. [31] Bottou, L., Large-scale kernel machines. 2007: MIT Press.
32. [32] Yeganeh, B., et al., Prediction of CO concentrations based on a hybrid Partial Least Square and Support Vector Machine model. Atmospheric Environment, 2012. 55: p. 357-365. [DOI:10.1016/j.atmosenv.2012.02.092]
33. [33] Hastie, T. and R. Tibshirani, Classification by pairwise coupling. The annals of statistics, 1998. 26(2:(p. 451-471.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ghaemi Z, Farnaghi M, Alimohammadi A. An Online Approach for Spatio-Temporal Prediction of Air Pollution in Tehran using Support Vector Machine. jgit. 2016; 3 (4) :43-63
URL: http://jgit.kntu.ac.ir/article-1-305-fa.html

قائمی زینب، فرنقی مهدی، علیمحمدی عباس. ارائه‌ی روشی پویا برای پیش‌بینی مکانی-زمانی آلودگی هوای شهر تهران بر مبنای ماشین بردار پشتیبان. مهندسی فناوری اطلاعات مکانی. 1394; 3 (4) :43-63

URL: http://jgit.kntu.ac.ir/article-1-305-fa.html



دوره 3، شماره 4 - ( 12-1394 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 29 queries by YEKTAWEB 3781