ارائه الگوی داده کاوی مبتنی بر شاخص توسعه پایدار در مدیریت شهری کلان‌شهر تهران متاثر از همه‌گیری کووید-19
محورهای موضوعی : مدیریت
عباس ملکی
1
(دانشجوی دکتری، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران)
صادق عابدی
2
( استادیار، گروه مدیریت صنعتی ، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران (عهده‌دار مکاتبات))
علیرضا ایرج پور
3
( استادیار، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران )
کلید واژه: داده‌کاوی, درخت تصمیم, توسعه پایدار, محدودیت‌های ترافیکی, کووید-19,
چکیده مقاله :
با اعمال محدودیت‌های ناشی از همه‌گیری کووید-19، به نظر می‌رسد تغییراتی در غلظت آلاینده‌های CO، O3،NO ، NO2، SO2، PM2.5، PM10 و AQI در دوره‌های قبل و بعد از همه‌گیری دیده شود. از این رو، تغییرات آلاینده‌های هوا و محدودیت‌های ترافیکی به عنوان یکی از زیرمجموعه-های شاخص زیست محیطی توسعه پایدار شهری در بازه زمانی 01/11/1396 تا 29/12/1400 در ایستگاه‌های تحت نظارت شهر تهران مورد بررسی قرار می‌گیرد. ابتدا داده‌ها جمع آوری، پردازش و پاکسازی می‌شوند. بر روی ویژگی‌های موثر انتخاب شده با استفاده از روش بهینه سازی ازدحام ذرات، روش‌های یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، شبکه بیزین و شبکه عصبی پرسپترون اعمال می‌شود. بررسی‌ها نشان داد که مدل پیش بینی با استفاده از درخت تصمیم و جنگل تصادفی بهترین عملکرد را برای هر دو معیار صحت و فراخوانی داشت. نتایج تحقیق نشان داد که غلظت آلاینده‌ها در دوران کووید-19 نسبت به قبل از آن، در بعضی از ایستگاه‌ها افزایشی و در برخی دیگر کاهشی می‌باشد و همچنین اعمال محدودیت‌های ترافیکی در دوره همه‌گیری، تاثیر قابل توجه و محسوسی در کاهش غلظت آلاینده‌های هوا نداشته است. همچنین با بررسی روند مرگ و میر در دوره همه‌گیری مشخص شد که کاهش و یا افزایش آلاینده‌ها ارتباط معناداری با روند مرگ و میر ناشی از کووید-19 ندارد.
By applying the restrictions caused by the Covid-19 pandemic, it seems that changes in the concentrations of pollutants CO, O3, NO, NO2, SO2, PM2.5, PM10 and AQI can be seen in the periods before and after the epidemic. Therefore, the changes of air pollutants and traffic restrictions are investigated as one of the sub-categories of environmental indicators of sustainable urban development in the period of 2018/01/21 to 2022/03/20 in the stations under the supervision of Tehran city. First, the data is collected, processed and cleaned. Machine learning methods including decision tree, random forest, support vector machine, Bayesian network and perceptron neural network are applied to select the effective features using the particle swarm optimization method. Investigations showed that the prediction model using decision tree and random forest had the best performance for both precision and recall criteria. The results of the research showed that the concentration of pollutants in the period of Covid-19 compared to before, is increased in some stations and decreased in others, and also the application of traffic restrictions during the epidemic did not have a significant and noticeable effect in reducing the concentration of air pollutants. Also, by examining the trend of deaths during the epidemic period, it was found that the decrease or increase of pollutants has no significant relationship with the trend of deaths caused by Covid-19.
