fa ارائه‌ی روشی پویا برای پیش‌بینی مکانی-زمانی آلودگی هوای شهر تهران بر مبنای ماشین بردار پشتیبان پژوهشي Research <p dir="RTL">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&nbsp;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&nbsp;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&nbsp;هواشناسی و همچنین داده‌های مکانی همچون ترافیک، ارتفاع متوسط منطقه و ویژگی‌های سطح زمین انجام می‌شود. نتایج&nbsp;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&nbsp;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.</p> <p>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&rsquo;s air pollution in advance.</p> پیش‌بینی پویای آلودگی هوای شهری, ماشین بردار پشتیبان برخط, داده‌های حجیم, سری زمانی, سیستم اطلاعات مکانی Online air pollution prediction, Support Vector Machine, Time series, Geographic Information System, Big data. 43 63 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-66&slc_lang=fa&sid=1 Zeinab Ghaemi زینب قائمی zghaemi@mail.kntu.ac.ir 10031947532846004814 10031947532846004814 Yes K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mahdi Farnaghi مهدی فرنقی 10031947532846004815 10031947532846004815 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Abbas Alimohammadi عباس علیمحمدی 10031947532846004816 10031947532846004816 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی