بررسي اثرات پذيرش وسيله نقليه الكتريكي براي سفرهاي بين شهري در ايران و ساير كشورها بر صرفه‌جويي در مصرف انرژي و كاهش آلودگي

چكيده :

افزايش تعداد وسايل نقليه، نگهداري ضعيف وسايل نقليه و عدم توجه به قوانين و مقررات كنترل كيفيت هوا مي‌تواند به بحران بيشتر آلودگي هوا منجر شود. لذابه منظور اتخاذ تصميم‌گيري‌هاي سطح مديريتي در راستاي كاهش اثرات مخرب آلاينده‌ها، نياز به پذيرش وسيله نقليه الكتريكي براي سفرهاي شهري جاده‌اي و پيش‌بيني سطح آلودگي در آينده است. در پژوهش حاضر، به بررسي اثرات پذيرش وسيله نقليه الكتريكي براي سفرهاي بين شهري در ايران و ساير كشورها بر صرفه‌جويي و مصرف انرژي و كاهش آلودگي پرداخته شده است. لذا، مدلي مبتني بر الگوريتم‌هاي گرگ خاكستري و شبيه‌سازي تبريد در راستاي انتخاب ويژگي‌هاي بهينه و الگوريتم‌هاي طبقه‌بندكننده درخت تصميم، شبكه عصبي مصنوعي و K-نزديك‌ترين همسايه به منظور آموزش ويژگي‌ها و طبقه‌بندي آن‌ها در راستاي پيش‌بيني مقدار انتشار ذرات جامد معلق در هوا (ذرات جامد معلق) ارائه شده است. به منظور ارزيابي مدل پيشنهادي، از مجموعه داده‌هاي انتشار آلاينده ذرات جامد معلق در بازه زماني 2015 تا 2020 كه توسط سازمان بهداشت جهاني منتشر شده، استفاده گرديده است. نتايج نشان مي‌دهد كه استفاده از الگوريتم تلفيقي گرگ خاكستري – شبكه عصبي با دقت 93.4091 درصد داراي بهترين عملكرد از نظر دقت انتخاب ويژگي و تخمين غلظت آلاينده ذرات جامد معلق است. از طرف ديگر، موضوعي كه مي‌توان از نتايج استنتاج كرد اين است كه الگوريتم شبكه عصبي مصنوعي نسبت به الگوريتم‌هاي درخت تصميم و K-نزديك‌ترين همسايه در تركيب با الگوريتم‌هاي گرگ خاكستري و شبيه‌سازي تبريد داراي دقت بالاتري مي‌باشد. پس از الگوريتم شبكه عصبي مصنوعي، الگوريتم درخت تصميم در جايگاه دوم قرار گرفته است. همچنين مشاهده شد كه استفاده از الگوريتم شبكه عصبي مصنوعي در تركيب با هر دو الگوريتم گرگ خاكستري و شبيه‌سازي تبريد داراي خطاي محاسباتي بيشتري مي‌باشد.