فهرست نشریات علمی دسترسی آزاد ایران

باتوجه به نقش مؤثر الگوهای فصلی در تولید پسماند از روش هوش مصنوعی برای مدل‎سازی تولید پسماند شهر تبریز استفاده شد. ازآنجایی‌که استفاده از یک روش پیش ­پردازش که توانایی استخراج این الگوها را داشته باشد، موجب بهبود نتایج مدل‎سازی می­شود، از تبدیل موجک که توانایی آنالیز چند مقیاسی سری­ های زمانی را دارد، در این مطالعه استفاده گردید. بدین ترتیب، داده‌های آماری مربوط به جمعیت، درآمد- هزینه خانوار، دما به­ عنوان پارامتر هواشناسی و داده‌های مربوط به­ میزان تولید پسماند برای مدل­سازی مورداستفاده قرار گرفت. در مطالعه حاضر برای پیش ­بینی میزان پسماند تولیدی در شهر تبریز از مدل­ های ANN (Artificial Neural Network) و  LSSVM(Least Squares Support Vectore Machine) با روش پیش ­پردازش موجکی داده­ ها و رویکرد تغییر اقلیم استفاده شده است. نتایج به‌دست‌آمده حاکی از برتری مطلق نتایج موجک- هوش مصنوعی در مقایسه با ANN و LSSVM تنها و نیز روش رگرسیون خطی چندمتغیره می‎باشد. از بین دو مدل مبتنی بر هوش مصنوعی ANN عملکرد بهتری نسبت به LSSVM از خود نشان داد. بنابراین مدل WT-ANN به­ عنوان مدل برتر انتخاب گردید. دلیل عملکرد ضعیف روش رگرسیون خطی چند متغیره، وجود روابط غیرخطی و پیچیده بین ورودی‎ها و هدف بود که MLR توان مدل‎سازی مناسب آن را نداشت. از سوی دیگر استفاده از موجک با قدرت تفکیک فصلی داده‌ها منجر به اختصاص ضریب وزنی بالا برای فصل‎هایی با تولید پسماند بیشتر گردید که درنهایت حداکثر پسماند تولیدی در سال در ماه­ های مرداد و اسفند و حداقل تولید در بهمن و فروردین گزارش شد.