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 کلان‌شهر تهران است. هدف اصلی این تحقیق، شبیه‌سازی غلظت میانگین ساعتی مونوکسیدکربن در هوای شهر تهران با استفاده از دو مدل رگرسیون مؤلفه‌های اصلی و شبکه عصبی بهینه شده با الگوریتم رقابت استعماری است. از روش تحلیل مؤلفه‌های اصلی برای از بین بردن همبستگی بین متغیرهای ورودی و تفسیر بهتر نتایج مدل رگرسیونی استفاده شد. همچنین با استفاده از یک شبکه عصبی پس‌انتشار با یک لایه پنهان و استفاده از الگوریتم رقابت استعماری به عنوان الگوریتم آموزش نیز مدلی مناسب برای این امر ایجاد شد. برای شبیه‌سازی غلظت مونوکسیدکربن از داده‌های ساعتی سال‌های 1386 و 1387 ایستگاه تجریش واقع در شمال تهران استفاده شد. برای ارزیابی نتایج مدل‌های 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 به‌دست آمده که در مقایسه با مدل رگرسیون مؤلفه‌های 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 مؤلفه‌های   اصلی است.