مدل سازی غلظت ساعتی مونوکسیدکربن با استفاده از رگرسیون مؤلفه های اصلی و شبکه عصبی بهینه شده با الگوریتم رقابت استعماری

مونوکسیدکربن یکی از عوامل عمده آلودگی هوای کلان شهر تهران است. هدف اصلی این تحقیق، شبیه سازی غلظت میانگین ساعتی مونوکسیدکربن در هوای شهر تهران با استفاده از دو مدل رگرسیون مؤلفه های اصلی و شبکه عصبی بهینه شده با الگوریتم رقابت استعماری است. از روش تحلیل مؤلفه های اصلی برای از بین بردن همبستگی بین متغیرهای ورودی و تفسیر بهتر نتایج مدل رگرسیونی استفاده شد. همچنین با استفاده از یک شبکه عصبی پس انتشار با یک لایه پنهان و استفاده از الگوریتم رقابت استعماری به عنوان الگوریتم آموزش نیز مدلی مناسب برای این امر ایجاد شد. برای شبیه سازی غلظت مونوکسیدکربن از داده های ساعتی سال های 1386 و 1387 ایستگاه تجریش واقع در شمال تهران استفاده شد. برای ارزیابی نتایج مدل های مذکور، ریشه میانگین مربعات خطا (rmse)، میانگین مطلق خطا (mae)، میانگین مربعات خطا (mse) و ضریب همبستگی (r) در مدل شبکه عصبی برای مرحله آزمون به ترتیب 050/0 ، 0346/0 ، 0025/0 و 746/0 به دست آمده که در مقایسه با مدل رگرسیون مؤلفه های اصلی (0856/0rmse=، 0619/0mae=، 0075/0mse= و 501/0r=) حاکی از برتری مطلق نتایج شبکه عصبی بهینه شده با الگوریتم رقابت استعماری نسبت به مدل رگرسیون مؤلفه های   اصلی است.