حمیدرضا افتخاری - گروه علوم کامپیوتر، دانشکده ی ریاضی و علوم کامپیوتر ، دانشگاه صنعتی امیرکبیر ، تهران، ایران
علی رسولی - گروه علوم کامپیوتر، دانشکده ی ریاضی و علوم کامپیوتر ، دانشگاه صنعتی امیرکبیر ، تهران، ایران
مهدی قطعی - پژوهشکده حمل و نقل وسیستم های هوشمند ، دانشگاه صنعتی امیرکبیر ، تهران، ایران

آلودگی هوا در کلان‌شهرها خصوصاً تهران یکی از معضلات شهری محسوب می‌گردد. اطلاع از وضعیت آلودگی قبل از پیش آمدن شرایط ناسالم، امکان اعمال استراتژی‌های محدودیت ترافیک مانند طرح و زوج وفرد جهت جلوگیری از وقوع آلودگی را فراهم می‌نماید.در این تحقیق با استفاده از شبکه عصبی پرسپترون با توجه به عوامل موثر بر کاهش و افزایش الودگی هوا، میزان آلودگی در یک و دو روز بعد پیش‌بینی شده است نتایج روی شهر تهران به عنوان پایلوت گزارش شده است. با توجه به این‌که مهم‌ترین آلاینده که عامل اصلی ناسالم سازی هوای تهران در بیش از 90 درصد روزهای ناسالم بوده است. ذرات معلق PM2.5,PM10 می‌باشند، این تحقیق به پیش‌بینی میزان این ذرات در دو ایستگاه با بالاترین سطح آلایندگی در تهران پرداخته است. تکنیک پیاده‌سازی شده شبکه‌های عصبی پرسپترون چند لایه با قابلیت انتشار به عقب می‌باشد که ورودی‌های آن وضعیت جوی، وضعیت کاری روزهای مورد پیش‌بینی و میزان الودگی‌ هوا در روز قبل می‌باشد. نتایج نشان می‌دهد، متوسط درصد خطا برای هر دو آلاینده 26 درصد یک روز بعد و حدود 28 درص برای دو روز بعد می‌باشد. مدیران شهری از این نتایج می‌توانند برای تصمیم گیری در زمینه اجریا طرح‌های محدودیت ترافیک استفاه نمایند.

PM2.5,PM10 آلودگی هوا، پیش بینی آلودگی، شبکه های عصبی پرسپترون، آلاینده