КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

 

ОБЩИЕ СВЕДЕНИЯ

Номер 22-21-20057

НазваниеРазработка модели распространения мелкодисперсных взвешенных частиц (PM2.5) от автотранспорта на основе рекуррентных нейронных сетей с учетом влияния метеорологических факторов

РуководительШепелёв Владимир Дмитриевич, Кандидат технических наук

Организация финансирования, регион Федеральное государственное автономное образовательное учреждение высшего образования "Южно-Уральский государственный университет (национальный исследовательский университет)", Челябинская обл

Период выполнения при поддержке РНФ 2022 г. 

Конкурс№65 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами» (региональный конкурс).

Область знания, основной код классификатора 01 - Математика, информатика и науки о системах, 01-202 - Интеллектуальный анализ данных и распознавание образов

Ключевые словаБольшие данные, рекуррентный нейронные сети, сенсорные сети, устойчивые интеллектуальные системы, взвешенные частицы (PM 2,5) , переменные-предикты, мониторинг выбросов, математическая модель

Код ГРНТИ28.23.00

СтатусУспешно завершен

 

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Урбанизация и увеличение плотности застройки городов - неотъемлемые черты современного общества. Высокая плотность населения приводит к огромному количеству личных автомобилей и грузовых автомобилей для перевозки людей и товаров, тесному пешеходному движению. Такой образ жизни не только приносит экономическую выгоду, но и ставит перед городскими властями новый комплекс экологических проблем. Одна из этих проблем - непрерывный мониторинг и анализ выбросов вредных веществ от дорожного трафика. Экологические задачи больше не могут быть решены с помощью неоптимальной эвристики из-за небольшого количества собранной мобильными лабораториями статистики. Реальную концентрацию частиц в воздухе оценивают различные службы экомониторинга по всему миру. Крупнейшим онлайн-мониторингом воздуха считается - The World Air Quality Index. Он показывает индекс качества воздуха в городах по всему миру. Этот индекс считается с учетом всех источников загрязнения, основной из них — РМ2.5. По данным Всемирной организации здравоохранения (ВОЗ), ежегодно из-за загрязненного атмосферного воздуха в мире погибают около 3 млн человек, большинство — в результате ишемической болезни сердца и инсульта. Загрязненный воздух также повышает риск заболевания хронической обструктивной болезнью легких, острыми инфекциями нижних дыхательных путей и раком легких. При этом исследования, проведенные в Европе, отнесли около половины всей смертности от загрязнения воздуха к источникам дорожного движения. Результаты исследований указывают на увеличение на 3-4% общего ежедневного числа смертей, связанных с увеличением PM10 на 50 мкг / м3. Точное определение и прогнозирование выбросов от автотранспорта имеет решающее значение для систематической борьбы с загрязнением, а также для здоровья и хорошего самочувствия населения. Для определения выбросов основных загрязнителей в масштабе региона или страны используют макромодели, основанные на статистической информации о структуре автопарка. Европейским воплощением такой модели является программное обеспечение и методология COPERT IV. Разработка COPERT финансировалась ЕАОС в рамках деятельности Европейского тематического центра по загрязнению воздуха и смягчению последствий изменения климата (ETC / ACM). COPERT был разработан для использования национальными экспертами для оценки выбросов от автомобильного транспорта для включения в официальные ежегодные национальные кадастры. Исследования ученых Европейского союза и страна Латинской Америки в задачах мониторинга и прогнозирования выбросов сконцентрированы на применении параметризированных полуэмпирических моделей SIRANE, ADMS-URBAN и OSPM (Operational Street Pollution Model). В РФ выбросы транспортных средств рассчитываются с помощью программы Магистраль и УПРЗА Эколог (ООО «Интеграл», г. Санкт-Петербург), разработанных на основе Приказов Минприроды России №804 от 27.11.2019, № 273 от 06.06.2017, ГОСТ Р 56162-2019, и методики определения выбросов автотранспорта для проведения сводных расчетов загрязнения атмосферы городов (НИИ Атмосфера, Санкт-Петербург, 2010). Большинство этих методов по количественной оценке и концентраций выбросов взвешенных частиц и их прогнозированию показали непоследовательную точность прогнозирования из-за нелинейной, динамичной и сложной природы загрязнителей воздуха и небольшого количества статистической информации, как правило собранной вручную. С учетом ухудшения экологической ситуации в городах, инвентаризации эмиссии недостаточно, несмотря на то, что они подходят исследователям и регулирующим органам для управления качеством воздуха и мерами по сокращению выбросов твердых частиц. Технологии искусственного интеллекта и больших данных все чаще используются для обработки сложных, разнородных экологических данных с высоким разрешением для получения результатов с большей скоростью и более высокой точностью с целью облегчения принятия решений по окружающей среде. За последние несколько лет методы, основанные на искусственном интеллекте (ИИ), стали наиболее мощными и перспективными подходами к прогнозированию загрязнения воздуха из-за их специфических особенностей, таких как высокая точность, превосходное обобщение, высокая отказоустойчивость и простота работы с многомерными данными. Наиболее широко используемые методы на основе искусственного интеллекта для прогнозирования загрязнения воздуха являются: нечеткая логика, многозадачные глубокие нейронные сети DNN и SVM (метод опорных векторов). Хотя существуют некоторые работы, применяющие машинное обучение для прогнозирования качества воздуха, большинство предыдущих исследований ограничены данными за несколько лет и просто обучают стандартные регрессионные модели (линейные или нелинейные) для прогнозирования почасовой концентрации загрязнения воздуха. В нашем проекте мы намерены сконцентрироваться на разработке динамической модели распространения и прогнозирования мелкодисперсных взвешенных частиц, построенной на основе получения больших данных по переменным-предикторам, как точечных источников выбросов (ТС) так и метеорологических факторов. В массив данных в качестве предикторов точечных источников включены: категория ТС, пространственные координаты источников, скорость движущихся ТС, время задержки, ускорение, торможение и траектория движения. Детальный анализ отслеживания ТС позволит учесть основные и дополнительные факторы, влияющие на показатели выбросов: газообразные и мелкодисперсионные выбросы из выхлопной трубы, износ дорожного покрытия, шин и тормозных колодок. В качестве сенсорной сети для сбора данных в режиме реального времени будут использованы обзорные уличные камеры, что позволяет обеспечить мониторинг участков улично-дорожной сети с одного поста на площади до 40 000 кв. м. Большой угол обзора уличных камер обеспечивает рост точности измерения за счет нивелирования влияния ветра и городской застройки. Для решения задачи по обработке и интерпретации данных с видеопотока применим одноступенчатые нейронные сети, которые разбивают изображение на регионы и выполняют обнаружение и классификацию за один проход. В качестве погодных предикторов предполагается использовать следующие метеорологические факторы: температура, давление, сила и направление ветра, влажность. Для получения метеорологических факторов будут использоваться бесплатные онлайн сервисы, которые предоставляют открытый API для доступа к данным о текущей погоде и прогнозам. Данные о транспортных потоках, погодных условиях и концентрациях загрязняющих веществ, полученных с физических датчиков, агрегируются за определенный фиксированный временной интервал и сохраняются в базу данных. Полученные пространственно-временные данные представляют собой дискретный многомерный временной ряд, который позволяет выполнить отбор признаков и анализ ассоциаций, чтобы выявить основные соответствующие характеристики изменения качества воздуха. В моделях временных рядов будущее значение на основе прошедшего ищется внутри самого процесса. С помощью обнаруженной зависимости выполняется самообучение и предсказание. Для решения этих задач мы предлагаем применить глубокую рекуррентную нейронную сеть (DRNN), дополненную автокодировщиком (autoencoder) для предварительной подготовки данных, специально разработанного для прогнозирования временных рядов. Интерполяция, прогнозирование и анализ выбросов от автотранспорта, полученных с высокой точностью на основе использования нейросетевых алгоритмов , являются переходом от затратных и характеризующихся низкой точностью и высокой трудоемкостью измерений выбросов физическими датчиками к более точным цифровым методам мониторинга выбросов от автотранспорта.

Ожидаемые результаты
1. Обучение нейронной сети в задачах повышения точности сбора и интерпретации пространственно-временных параметров точечных источников выбросов с видеопотоков обзорных камер. 2. Разработка и обучение рекуррентной нейронные сети на основе агрегированных больших данных от нескольких источников. 3. Разработка динамической нейромодели по распространению и прогнозированию концентраций мелкодисперсных взвешенных частиц (PM2.5) от автотранспорта . 4. Получение новых знаний о турбулентном движении взвешенных частиц PM 2.5 в условиях городской застройки и влиянии параметров транспортных потоков. 5. Погрешность моделирования подтверждена натурным экспериментом. 6. Результаты опубликованы в журналах индексируемых в наукометрических базах: SCOPUS and WoS

 

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Аннотация результатов, полученных в 2022 году
В городах появляется все больше различных датчиков и систем для мониторинга выбросов от автотранспорта, зачастую дублирующие функции друг друга, что требует больших вычислительных мощностей и затрат на их обслуживание. При этом, учитывая ухудшившуюся экологическую ситуацию в городах, уже недостаточно одних средств мониторинга, требуется точный прогноз и решения, дающие возможность управлять экологическим рисками. Количество выбросов от автотранспорта зависит от следующих основных факторов: тип транспорта, скорость движения, время работы на холостом ходу. Наш подход основан на использовании в качестве сенсоров для сбора данных, существующей сети уличных городских камер видеонаблюдения, а движущиеся ТС, как индивидуальные мобильные источники выбросов. Широкий угол обзора уличных камер обеспечивает сбор данных на площади до 40 000 кв. м., что обеспечивает рост точности измерения за счет снижения влияния ветра и городской застройки. В рамках исследования разработана гибридная модель на основе одновременного использования сверточной и рекуррентной нейронных сетей, для оценки и прогнозирования концентраций мелкодисперсных взвешенных частиц (PM2.5) формируемых движением автотранспорта. С целью сбора данных об интенсивности дорожного движения, таких как количество, траектория, скорость и время задержки транспортных средств, мы обучили и модифицировали сверточную нейронную сеть YOLOv4. Для определения скорости в режиме реального времени разработан метод, основанный на применении перспективного преобразования координат транспортных средств на изображении в географические координаты. Предложенная система была протестирована в ночное и дневное время на шести перекрестках, показывая среднюю ошибку подсчета транспортных средств 5,5%. Погрешность определения скорости автомобиля проекционным методом с учетом калибровки камеры на тестируемом перекрестке не превышала 1,5 м/с. В качестве погодных предикторов учитывались следующие метеорологические факторы (температура, давление, сила и направление ветра, влажность). Для получения метеорологических факторов использовались бесплатные онлайн сервисы, которые предоставляют открытый API для доступа к данным о текущей погоде и прогнозам. Всю собранную информацию об интенсивности транспортных потоков (ТП) и метеорологических факторах система агрегирует и сохраняет в базу PostgreSQL. В ходе эксперимента по измерению концентрации взвешенных частиц, PM 2.5 фиксировались с помощью анализатора пыли модели DustTrack 8533 и пылемером Атмас. Для прогнозирования взвешенных частиц в городских условиях была реализована модель последовательного кодера-декодера с рекуррентной нейронной сетью (RNN). Модель была обучена на основе истории данных по концентрации выбросов и интенсивности ТП и метеорологических предикторах. Для оценки количества и концентрации выбросов взвешенных частиц (PM2,5) мы преобразовали и привели удельные пробеговые коэффициенты (износ дорожного покрытия, тормозных колодок, шин и вторичные взвеси) различных типов ТС из Европейской методологии «COPERT» к Российским стандартам. В результате для оценки и прогноза максимальной приземной концентрации выбросов взвешенных частиц от автотранспорта мы реализовали влияние следующих параметров: • коэффициент, зависящий от температурной стратификации атмосферы и определяющий условия горизонтального и вертикального рассеивания ЗВ в атмосферном воздухе (160 для Челябинска;); • масса ЗВ, выбрасываемых в атмосферный воздух в единицу времени (мощность выброса), г/с (полученное количество выбросов в граммах делится на интервал измерения — 1200 секунд); • безразмерный коэффициент, учитывающий скорость оседания ЗВ (газообразных и аэрозолей, включая твердые частицы) в атмосферном воздухе (1 для газообразных ЗВ и мелкодисперсных аэрозолей диаметром не более 10 мкм); • высота источника выброса, м (2 метра); • температура ГВС, °C (100°C); • температура воздуха, °C; • скорость ветра, м/с; • пройденное автомобилем расстояние, м. Результаты прогнозирования показали достаточно точное соответствие с проведенными измерениями и указывают на применимость системы и ее большой потенциал для высококачественных прогнозов загрязнителей воздуха в городской среде в режиме реальном времени. Статистическая обработка и факторный анализ выполнены в среде профессионального статистического пакета Statistical Package for the Social Sciences (SPSS). Проведённый статистический анализ достоверности различий конфигураций сети по точности прогнозирования (mse) показал, что область значимых различий начинается со значений ошибки более чем 0.108 (непараметрический критерий хи-квадрат Пирсона). В эту область статистически равных значений по точности попадают 15 из 32 тестируемых конфигураций. Статистический анализ приближённости прогноза выбросов к фактическим данным в нейронной сети показал уровень среднеквадратического отклонения на 20-минутном интервале измерения в 1,26 г. В приведении к математическому ожиданию это составляет 18,5% в среднем за сутки (коэффициент вариации). Но эта достаточно большая величина отклонения прогноза не является определяющей, так как основным значимым фактором выступает количество выбросов за сутки. Расчёт показал уменьшение суточных прогнозных значений от факта 477,5 г до 448 г, что составляет всего 6,2%. Экспериментальные результаты показали, что предлагаемая модель обеспечивает более высокую точность прогнозирования концентрации выбросов (83-97%), по сравнению с другими подходами. Результатом исследования стала разработка динамической модели распространения мелкодисперсных взвешенных частиц (PM2.5) от автотранспорта на основе применения нейросетевых алгоритмов. Точная оценка экологических параметров транспортных потоков и факторов окружающей среды с учетом метеорологических предикторов на концентрацию выбросов от автотранспорта в режиме реального времени, являются эволюцией методов моделирования и анализа, а также построение наборов данных нового поколения в задаче развития устойчивых транспортных систем. Предлагаемый подход позволяет осуществить качественный переход от измерения выбросов дорогостоящими датчиками к более информативным, точным и экономичным цифровым решениям. Будущие исследования позволят расширить эту методологию, способную выполнять не только оценку и прогноз выбросов, но и перейти к моделированию динамической структуры дорожного трафика в задаче управления экологическими рисками. Результаты исследования частично реализованы на следующих ресурсах: http://aims-eco.tilda.ws http://aims.susu.ru/view

 

Публикации

1. Гриценко А.В., Шепелев В.Д., Граков Ф.Н., Лукомский К.И., Цыбунов Э. Environmental control of the technical condition of electromagnetic nozzles of internal combustion engines IOP Conference Series: Earth and Environmental Science, vol. 1061 (1), no. 012034 (год публикации - 2022) https://doi.org/10.1088/1755-1315/1061/1/012034

2. Шепелев В., Глушков А., Гриценко А., Неволин Д., Воробьев А. Assessing the Traffic Capacity of Urban Road Intersections Frontiers in Built Environment, Vol. 8, no. 968846 (год публикации - 2022) https://doi.org/10.3389/fbuil.2022.968846

3. Шепелев В., Глушков А., Фадина О., Гриценко А. Comparative Evaluation of Road Vehicle Emissions at Urban Intersections with Detailed Traffic Dynamics Mathematics, Vol. 10 (11), no. 1887 (год публикации - 2022) https://doi.org/10.3390/math10111887

4. Шепелев В., Слободин И., Альметова З., Неволин Д., Шевцов А. A Hybrid Traffic Forecasting Model for Urban Environments Based on Convolutional and Recurrent Neural Networks Transportation Research Procedia, - (год публикации - 2023)

5. Шепелев В., Слободин И., Гриценко А., Фадина О. Forecasting the Amount of Traffic-Related Pollutant Emissions by Neural Networks Frontiers in Built Environment, vol.8, no.945615 (год публикации - 2022) https://doi.org/10.3389/fbuil.2022.945615

Возможность практического использования результатов
Применение нейросетевых алгоритмов в задаче оценки и прогнозирования количества и концентрации выбросов от автотранспорта представляет новую технологию по переходу с дорогих аналоговых сенсоров на цифровые решения с широким покрытием и более точными и детальными измерениями. Пилотные проекты доказали свою функциональную и экономическую эффективность в задаче мониторинга выбросов от автотранспорта.