پیش‌بینی سرمای دیررس بهاره با استفاده از شبکه‌ی عصبی پرسپترون چند لایه (MLP) و تاثیر آن در حمل و نقل شهر خرم‌آباد

سیستم حمل و نقل درون شهری به عنوان ابزار مهم و موتور محرک، توسعه­ی شهرها در اقتصاد محلی و منطقه­ای به شمار می­آید. چرا که اگر جوامع شهری امروز دارای امکانات و زیرساخت­های مناسب حمل و نقل شهری نباشند، خسارات جبران ناپذیر اقتصادی را بر خود تحمیل می­نماید. در این راستا اقلیم شناسان تلاش می­کنند با تجزیه و تحلیل داده­های یک یا چند متغییر اقلیمی در گذشته، به قوانین و مدل­هایی دست یابند که بر این اساس، وضعیت اقلیم را در آینده پیش بینی کنند. شبکه­های عصبی مصنوعی از مؤلفه­های هوش مصنوعی است که امروزه به طور وسیع در زمینه مدل سازی و پیش بینی پارامترهای اقلیمی مورد استفاده قرار می­گیرد. در این پژوهش، سعی شده با پیش بینی سرمای دیررس بهاره ایستگاه خرم­آباد با استفاده از مدل پرسپترون چند لایه (MLP) به تاثیر آن برسیستم حمل و نقل شهری، ضمن آشکارسازی رخداد وقوع، نسبت به کاهش خسارات و اختلالات ناشی از آن به خودروها و تاسیسات زیرساختی حمل و نقل درون شهری و غیره زمینه­ای ایجاد نمود تا تدابیر لازم اتخاذ گردد. به منظور دستیابی به این مهم از متغیرهای میانگین ماهانه حداقل و حداکثر دما، میانگین حداقل و حداکثر رطوبت نسبی، مجموع ساعات آفتابی و میانگین مجموع بارش ماهانه طی دوره آماری 28 ساله (2009-1981) جهت پیش بینی دماهای حداقل ماه­های آوریل و می سال­های 2010 تا 2012 و مقایسه آن با داده­های واقعی استفاده گردید. جهت این کار از امکانات و توابع موجود در نرم­افزار MATLAB بهره گرفته شد. سپس به بررسی شاخص های عملکرد شبکه از جمله ضریب تعیین و همبستگی و درصد خطای نسبی پرداخته شد. یافته­ها بیانگر وقوع یخ بندان بهاره برای 80% احتمال و دوره برگشت 49/1 ساله روز 187 یعنی 7 فروردین ماه است. و حداکثر خطای این مدل با داده­های واقعی کم تر از 10/0 درجه سلسیوس است که توانایی قابل توجه مدل شبکه عصبی مصنوعی در مدلسازی پیش­بینی دماهای حداقل را نشان می­دهد. بنابراین توجه به پدیده­های اقلیمی از جمله یخ بندان بر مدیریت و توسعه حمل و نقل شهری تاثیر شایانی می­گذارد و باید از نظر کارشناسان این امر در الویت دقت قرار گیرد.