بررسی و ارزیابی الگوریتم‌های مونت‌کارلو و شبکه‌های عصبی برای پیش‌بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند
 

اساتید راهنما
 

دکتر عباس علیمحمدی سراب
 

دکتر محمد سعدی مسگری
 

شهریور 1390
 

(در فایل دانلودی نام نویسنده موجود است)

(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)
چکیده
ضرورت داشتن محیط سالم و بالا بردن سطح سلامت جامعه، نیاز به داشتن برنامه ریزی صحیح جهت کاهش منابع تولید آلاینده‌های هوا و نیز پیش‌بینی این آلاینده‌ها برای جلوگیری از اثرات مضر آن را اجتناب ناپذیر می کند. پیش‌بینی آلاینده‌ها می‌تواند در مدیریت و کنترل آلودگی هوا مفید واقع شود. در این تحقیق، آلایندۀ O3 بدلیل اثرات مضر آن‌ بر سلامتی انسان و نیز آلایندۀ CO بدلیل استفاده از خودروهای غیراستاندارد و مشکل احتراق ناقص سوخت‌ در خودروها در شهر تهران مورد توجه قرار گرفته‌اند.
در این میان استفاده از شبکه‌های عصبی به دلیل توانایی مناسبشان در مدل سازی سیستم‌های با رفتار غیرخطی، می­توانند جهت پیش‌بینی تغییرات آلاینده‌های هوا مفید واقع گردند. با چنین رویکردی در این پایان ­نامه پیش بینی و مدل سازی تغییرات غلظت ساعتی دو آلایندۀ CO و O3 با استفاده ازشبکه‌های عصبی MLP و المن و رگرسیون بیز مورد بررسی قرار گرفته است. به منظور پیش پردازش داده‌ها قبل از ورود به شبکه عصبی، از تحلیل مؤلفه‌های اصلی کمک گرفته شده است. در این حالت استفاده از مؤلفه‌های بدست آمده از روش تحلیل مؤلفه‌های اصلی، منجر به کاهش تعداد ویژگی‌ها، افزایش درجۀ آزادی و کاهش زمان آموزش شبکه شده است.
پیش‌بینی دو آلایندۀ CO و O3 با بهره گرفتن از رگرسیون بیز و برآورد پارامترهای آن توسط روش زنجیره‌های مارکف مونت کارلو نیز مورد توجه قرار گرفته است.
نتایج پیاده­سازی دو نوع شبکه عصبی و رگرسیون بیز، نشان می‌دهد که شبکه MLP با داشتن ضریب تعیین (R2 ) برابر 6307/0 برای پیش‌بینی CO و شبکه المن با ضریب تعیین برابر 6186/‌0 برای پیش بینی O3 بهترین دقت را دارا می‌باشند. لذا نتایج تحقیق مؤید برتری شبکه‌های عصبی پیشنهادی نسبت به رگرسیون بیز می‌باشد.
کلید واژگان: شبکه­عصبی، تحلیل مؤلفه‌های اصلی، رگرسیون بیز، زنجیره‌های مارکف مونت‌کارلو
 
فهرست مطالب
فصل 1 : مقدمه 1
1-1-   مقدمه. 2
1-2-   زمینه‌ها و اهداف پایان نامه . 5
1-3-   مروری بر تحقیقات انجام شده 5
1-4-   روش تحقیق 10
1-5-   ساختار پایان نامه . 12
فصل 2 : مبانی نظری. 13
2-1-   آلودگی هوا چیست؟ 14
2-1-1-  انواع آلاینده ها 14
            ذرات آلوده یا مواد معلق در هوا ( PM10 ) 15
            منوکسید کربن 15
            اکسید های سولفور 16
            اکسیدهای نیتروژن 17
            ازن        .18
            هیدروکربن‌های فرار (VOCs) 19
2-1-2-  شاخص استاندارد آلودگی هوا 19
            تعریف ppm و ppb. 21
2-2-   پارامترهای هواشناسی و اثرات آنها در عوامل آلوده کنندۀ هوا 21
2-3-   سیستم اطلاعات مکانی زمانمند. 26
2-4-   سری‌های زمانی 28
فصل 3:مواد و روش‌های مورد استفاده در تحقیق. 30
3-1-   معرفی ایستگاه‌ها و داده‌ها 31
3-2-   بررسی قابلیت پیش بینی داده‌ها 33
3-2-1-  آزمون تحلیل تغییر مبنای حوزۀ تغییرات (تحلیلR/S ) 34
3-3-   استفاده از تحلیل مؤلفه های اصلی و تحلیل عامل اصلی به منظور بررسی داده های اثر گذار بر CO و O3 برای ورود به یک سیستم پیش بینی کنندۀ CO و O3 36
3-3-1-  تحلیل مؤلفه های اصلی و تحلیل عامل اصلی 36
3-4-   تحلیل سری زمانی داده ها به منظور استخراج تأخیرهای زمانی مؤثر هر سری داده در پیش بینی O3 و CO   .39
3-4-1-  استفاده از توابع خود همبستگی (ACF) و خود همبستگی جزئی (PACF) به منظور پیدا کردن الگوی مناسب برای سری زمانی   40
            تابع خود همبستگی 40
            تابع خود همبستگی جزئی 41
            فرایندهای اتورگرسیو. 41
            فرایندهای میانگین متحرک. 42
            فرایندهای اتورگرسیو میانگین متحرک. 42
            فرآیندهای ایستا 43
            تبدیل فرایندهای غیر ایستا به فرایندهای ایستا 44
3-5-   معماری‌های شبکه عصبی 45
3-5-1-  مدل یک نورون مصنوعی 47
3-6- شبکه عصبی پرسپترون چند لایه. 48
3-6-1-  ساختار شبکه های عصبی پرسپترون چندلایه. 49
3-6-2-  الگوریتم پس انتشار خطا در شبکه های پرسپترون چندلایه. 51
3-7-   شبکه المن 52
3-7-1-  آموزش شبکه Elaman. 54
3-8-   رگرسیون‌ خطی 55
3-9-   مدل‌های خطی تعمیم یافته. 55

3-10- مدل های خطی تعمیم یافته بیز. 59
3-11- زنجیره‌‌های مارکف مونت‌کارلو. 60
فصل 4: ارزیابی شبکه‌های عصبی و رگرسیون بیز با رویکرد مونت کارلو در پیش‌بینی دو آلایندۀ CO و O3.    62
4-1-   مقدمه. 63
4-2-   بررسی تغییرات مکانی دو آلایندۀ CO و O3 65
4-3-   بررسی قابلیت پیش بینی داده ها 67
4-4-   بررسی نتایج حاصل از تحلیل مؤلفه‌های اصلی و تحلیل عامل اصلی به منظور بررسی داده‌های اثر گذار بر دو آلایندۀ CO و O3 69
4-5-   بررسی هر یک از سری‌های زمانی به منظور تعیین تأخیرهای زمانی مؤثر برای پیش‌بینی یک گام زمانی جلوتر   73
            بررسی سری زمانی رطوبت. 74
4-6- پیش پردازش داده‌ها برای ورود به شبکۀ عصبی 77
4-7-   پیش‌بینی دو آلایندۀ CO و O3 با بهره گرفتن از شبکه‌های عصبی 79
4-7-1-  پیش‌بینی به کمک شبکه‌های MLP. 80
            پیش‌بینی O3 81
            پیش‌بینی CO 84
4-7-2-  پیش بینی به کمک شبکه المن 88
            پیش‌بینی O3 88
            پیش‌بینی CO 91
4-8-   پیش‌بینی دو آلایندۀ CO و O3 با بهره گرفتن از رگرسیون بیز با رویکرد مونت‌کارلو. 94
فصل 5: نتیجه‌گیری و پیشنهادات. 101
5-1-   نتیجه گیری 102
5-2-   پیشنهادات 107
پیوست    108
پیوست 1- نمودارهای نمای هرست برای پارامترهای هواشناسی وآلاینده‌های هوا. 109
پیوست 2- نمودارهای توابع خودهمبستگی و خودهمبستگی جزئی پارامترهای هواشناسی وآلاینده‌های هوا و نیز نمودارهای این توابع برای باقیماندۀ مدل AR برازش داده شده. 112
پیوست 3- نمونه ای از مؤلفه‌های بدست آمده از روش تحلیل مؤلفه‌های اصلی برای تأخیرهای زمانی مؤثر هر پارامتر. 119
پیوست 4- فرمول محاسبۀ RMSE و R2 122
 
 
 
 
فهرست اشکال
شکل 1-1 مراحل تحقیق 11
شکل 2-1 مدل نقل و انتقال شیمیایی جو. 23
شکل 3-1 موقعیت ایستگاه‌های سنجش آلودگی هوا و ایستگاه سینوپتیک مهراباد بر روی نقشۀ تهران. 32
شکل 3-2 نمونه ای از یک شبکه پیشخور 46
شکل 3-3 نمونه ای از یک شبکه پسخور 47
شکل 3- 4 مدل یک نورون مصنوعی 47
شکل 3- 5 ساختار شبکه عصبی پرسپترون چند لایه. 49
شکل 3- 6 ساختار شبکه المن یک لایه. 53
شکل 3- 7 ساختار دو لایه یک شبکه Elaman. 53
شکل 4-1 نمودار میزان تغییرات CO در ایستگاه‌های مورد بررسی. 65
شکل 4-2 نمودار میزان تغییرات O3 در ایستگاه‌های مورد بررسی. 66
شکل 4-3 نمودار نمای هرست برای سری زمانی O3. 68
شکل 4-4 نمودار نمای هرست برای سری زمانی CO. 69
شکل 4-5 اندازه مقادیر ویژۀ مؤلفه‌ها برای انتخاب مؤلفه‌های اصلی. 70
شکل4-6 نمودار میله‌ای مقادیر ویژۀ مؤلفه‌ها برای دو مؤلفه اصلی اول. 72
شکل4-7 تابع خودهمبستگی سری زمانی رطوبت. 74
شکل4-8 تابع خودهمبستگی جزئی سری زمانی رطوبت. 75
شکل4-9 الف- تابع خودهمبستگی باقیمانده‌ها برای مدل AR از مرتبۀ 24. ب- تابع خودهمبستگی جزئی باقیمانده‌ها برای مدل AR از مرتبۀ 24. 75
شکل4-10 الف- تابع خودهمبستگی باقیمانده‌ها برای مدل AR از مرتبۀ 36. ب- تابع خودهمبستگی جزئی باقیمانده‌ها برای مدل AR از مرتبۀ 36. 76
شکل4-11 پیش‌بینی O3 و خطای آن در مرحلۀ آموزش شبکه MLP. 82
شکل4-12 پیش‌بینی O3 و خطای آن در مرحلۀ تست شبکه MLP. 82
شکل4-13 همبستگی بین داده‌های واقعی(o3) و داده‌های پیش‌بینی شده در شبکهMLP. 83
شکل4-14 رابطۀ بین خطا و مقادیر واقعی (o3) در شبکهMLP. 83
شکل4-15 پیش‌بینی CO و خطای آن در مرحلۀ آموزش شبکه MLP. 85
شکل4-16 پیش‌بینی CO و خطای آن در مرحلۀ تست شبکه MLP. 86
شکل4-17 همبستگی بین داده‌های واقعی (CO) و داده‌های پیش‌بینی شده در شبکهMLP. 86
شکل4-18 رابطۀ بین خطا و مقادیر واقعی (CO) در شبکهMLP. 87
شکل4-19 پیش‌بینی O3 و خطای آن در مرحلۀ آموزش شبکه المن. 88
شکل4-20 پیش‌بینی O3 و خطای آن در مرحلۀ تست شبکه المن. 89
شکل4-21 همبستگی بین داده‌های واقعی (O3) و داده‌های پیش‌بینی شده در شبکه المن. 89
شکل4-22 رابطۀ بین خطا و مقادیر واقعی (O3) در شبکه المن. 90
شکل4-23 پیش‌بینی CO و خطای آن در مرحلۀ آموزش شبکه المن 91
شکل4-24 پیش‌بینی CO و خطای آن در مرحلۀ تست شبکه المن 92
شکل4-25 همبستگی بین داده‌های واقعی(CO) و داده‌های پیش‌بینی شده در شبکه المن. 92
شکل4-26 رابطۀ بین خطا و مقادیر واقعی(CO) در شبکه المن. 93
شکل4-27 الف- هیستوگرم متغیر O3. ب- هیستوگرام متغیر Ln O3. 94
شکل4-28 الف- هیستوگرم متغیر CO. ب- هیستوگرام متغیر Ln CO. 95
شکل4-29 پیش بینی CO و خطای آن با کمک مدل بیز. 98
شکل4-30 همبستگی بین مقادیر واقعی (CO) و مقادیر پیش‌بینی شده در مدل بیز. 99