دانلود پایان نامه رویکرد یادگیری ماشین مبتنی بر ابر برای شهرهای هوشمند ایمن

1. مقدمه 2. پیشینه 3. کارهای مرتبط 4. داده ها و اجرای آزمایشی 5. معیارهای ارزیابی 6. نتایج و نتیجه گیری

چکیده – شهرهای هوشمند ظهور یافته اند تا بسیاری از مسائل اساسی که می توانند فرآیند شهرنشینی حاکم شده را با مشکل مواجه کنند، مانند مسائل ترافیکی، آلودگی زیست محیطی، مراقبت سلامت پرهزینه و افزایش تقاضای انرژی، را حل کنند. این پایان نامه سطح کارشناسی ارشد، راهکارهای یادگیری ماشین ابری کارآمد و کیفیت بالا برای محیط شهرهای هوشمند کارآمد و پایدار را پیشنهاد می کند. در این تحقیق، مدل های یادگیری ماشین نظارت شده مختلف برای پیش بینی کیفیت هوا (AQP) در محیط شهرهای هوشمند کارآمد و پایدار توسعه یافته است. به این دلیل، روش های مبتنی بر LM با استفاده از راهکارهای ابری پیاده سازی شده اند. برای مثال، روش های رگرسیون و دسته بندی با استفاده از رایانش ابری توزیع شده پیاده سازی می شوند تا زمان و دقت اجرای هوایی راهکار ML پیاده سازی شده، پیش بینی شود. این مدل ها برای پیش بینی AQI (شاخل کیفیت هوا) با کمک آلاینده های هوا مانند ذرات معلق در هوا (PM10)، اوزون (O3)، اکسید نیتروژن (NO)، ذرات معلق در هوا (PM2.5)، x اکسید نیتروژن (NOx)، دی اکسید گوگرد (SO2)، بنزن، تولوئن، مونوکسید کربن (CO)، سیلین، آمونیاک (NH3) و دی اکسید نیتروژن (NO2)، بکار گرفته شده اند. معیارهای مختلفی مانند «میانگین مجذور خطا»، نمره R2، میانگین خطای مطلق، میانگین ریشه حداقل مربعات خطا برای اعتباریابی و آزمون مدل های طراحی شده بکار گرفته می شوند. جهت انجام دسته بندی مدل ها، الگوریتم های ماشین بردار پشتیبانی و جنگ تصادفی را اجرا می کنیم که با استفاده از نمره دقت و ماتریس درهم ریختگی سنجش می شوند. زمان و دقت اجرای مدل های توسعه یافته با زمان مربوط به نسخه های ابری این مدل ها، محاسبه و مقایسه می شوند. نتایج آشکار می کنند که در میان الگوریتم های رگرسیون، رگرسیون لاسو یا کمند، نسبت به رگرسیون خطی عملکرد بهتری دارد. همچنین از مدل های دسته بندی، الگوریتم جنگل تصادفی عملکرد بهتری نسبت به روش ماشین بردار پشتیبانی دارد. نتیجه گیری اینکه، یافته ها نشان می دهند که زمان اجرا هنگام اجرای مدل ها برروی یک پلتفرم ابری در مقایسه با یک ماشین دسکتاپ (رومیزی)، به حداقل می رسد. علاوه بر آن، دقت مدل هایمان همزمان با کاهش زمان اجرا حفظ می شود.

Smart cities have emerged to tackle many critical problems that can thwart the overwhelming urbanization process, such as traffic jams, environmental pollution, expensive health care, and increasing energy demand. This Master thesis proposes efficient and high-quality cloud-based machine-learning solutions for efficient and sustainable smart cities environment. Different supervised machine-learning models for air quality predication (AQP) in efficient and sustainable smart cities environment is developed. For that, MLbased techniques are implemented using cloud-based solutions. For example, regression and classification methods are implemented using distributed cloud computing to forecast air execution time and accuracy of the implemented ML solution. These models are utilized to forecast AQI (air quality index) with the help of pollutants in the air such as particulate matter (PM10), ozone (O3), nitric oxide (NO), particulate matter (PM2.5), nitric x-oxide (NOx), sulphur dioxide (SO2), benzene, toluene, carbon monoxide (CO), xylene, ammonia (NH3), and nitrogen dioxide (NO2). Various formals like mean squared error, R2 score, mean absolute error, and root mean squared error are utilized to validate or test the designed models. As classification models, we perform the support vector machine and random forest algorithms, which are measured using the accuracy score and confusion matrix. Execution times and accuracy of the developed models are computed and contrasted with the times for the cloud-based versions of these models. The results reveal that lasso regression outperforms linear regression among the regression algorithms. Also, out of the classification models, the random forest algorithm performs better than the support vector machine approach. In conclusion, our findings demonstrate that run-time is minimized when models are executed on a cloud platform compared to a desktop machine. Moreover, the accuracy of our models is maintained with reduced execution time.