پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 418 |
| تعداد شماره‌ها | 10,005 |
| تعداد مقالات | 83,623 |
| تعداد مشاهده مقاله | 78,424,117 |
| تعداد دریافت فایل اصل مقاله | 55,449,852 |
پیشبینی سرمای دیررس بهاره با استفاده از شبکه‌ی عصبی پرسپترون چند لایه (MLP) و تاثیر آن در حمل و نقل شهر خرمآباد | ||
| آمایش محیط | ||
| مقاله 6، دوره 8، شماره 28، خرداد 1394، صفحه 111-124 اصل مقاله (374.56 K) | ||
| نوع مقاله: پژوهشی | ||
| نویسندگان | ||
| سعید تقوی گودرزی1؛ هانیه امیدزاده* 2 | ||
| 1(عضو هیات علمی دانشگاه آزاد اسلامی خرمآباد) | ||
| 2(مربی آموزشی گروه جغرافیا دانشگاه پیام نور- واحد الشتر) | ||
| چکیده | ||
| 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. | ||
| کلیدواژه‌ها | ||
| پیش بینی؛ شبکه عصبی مصنوعی؛ سرمای دیررس؛ شهرخرم‌آباد | ||
|
آمار تعداد مشاهده مقاله: 1,170 تعداد دریافت فایل اصل مقاله: 845 |
||