مقایسه کاربرد روش های شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره براساس تحلیل مؤلفه های اصلی برای پیش بینی غلظت میانگین روزانه کربن مونوکسید: بررسی موردی شهر تهران

هدف از این مقاله، پیش بینی میانگین غلظت روزانه کربن مونوکسید در هوای شهر تهران با استفاده از دو مدل شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره برحسب تحلیل مؤلفه اصلی (pca) است. از روش pca برای از بین بردن هم راستایی چندگانه (multicolinearity) بین متغیرهای ورودی و تفسیر بهتر نتایج مدل رگرسیونی استفاده شده است. همچنین با استفاده از شبکه عصبی feed-forward با یک لایه پنهان نیز مدل مناسب برای این امر ایجاد شده است. به منظور پیش بینی غلظت کربن مونوکسید آمار سال های 1383 و 1384 ایستگاه قلهک واقع در شمال تهران مورد استفاده قرار گرفته است. پس از اجرای مدل های پیش گفته، ضریب همبستگی (r)، شاخص میانگین نسبی خطای مطلق (mare) و خطای میانگین مجموع مربعات (rmse) در شبکه عصبی برای مرحله آزمون، به ترتیب برابر با 716/0، 158/0 و 969/0 به دست آمده که در مقایسه با مدل ترکیبی رگرسیونی (581/0= r ، 189/0 mare = و 138/1 rmse =) حاکی از برتری مطلق نتایج شبکة عصبی نسبت به مدل ترکیبی رگرسیونی است.