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 проекта 22-21-20057

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

Руководитель Шепелёв Владимир Дмитриевич, Кандидат технических наук

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

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

Код ГРНТИ28.23.00

---

 

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.

---

 

ОТЧЁТНЫЕ МАТЕРИАЛЫ

---