Математическое обеспечение мониторинга выбросов загрязняющих веществ от автотранспорта в зоне регулируемого пересечения на основе нейросетевых алгоритмов
Автор: Шепелв В.Д., Глушков А.И., Левашев А.Г.
Рубрика: Математика
Статья в выпуске: 4 т.16, 2024 года.
Бесплатный доступ
В современных городах вопросы экологии, связанные с автотранспортом, занимают всё более важное место в системе управления городскими транспортными потоками. Наибольшее количество выхлопных газов транспортные средства выделяют при резком изменении режимов движения, которое характерно для регулируемых перекрестков. Заторные ситуации также чаще формируются на перекрестках, когда большое скопление транспорта формирует неблагоприятный экологический фон. Для получения оперативной информации о параметрах интенсивности транспортных потоков применены нейросетевые алгоритмы распознавания транспортных средств из видеопотоков, полученных со стационарных уличных камер наблюдения на городских перекрёстках. Оптимизированный алгоритм работы обученной нейронной сети (YOLOv4) позволяет извлекать и интерпретировать данные о параметрах транспортных потоков в режиме реального времени. В рамках исследования разработаны математические модели, позволившие реализовать мониторинг в режиме реального времени количества и концентрации загрязняющих веществ от автотранспорта в зоне регулируемого пересечения. Расчет количества выделяемых загрязняющих веществ в атмосферу от транспорта реализован с учетом средней скорости, типа транспортного средства и времени простоя в зоне измерения. Предложенная модель с поддержкой данных на основе непрерывного отслеживания и анализа состояния транспортных потоков может служить основой для прогнозирования уровней сложности заторов и оценки экологических рисков.
Выбросы загрязняющих веществ, транспортный поток, нейронная сеть, машинное обучение, математическая модель, концентрация выбросов, мониторинг экологических рисков
Короткий адрес: https://sciup.org/147246009
IDR: 147246009 | DOI: 10.14529/mmph240410
Список литературы Математическое обеспечение мониторинга выбросов загрязняющих веществ от автотранспорта в зоне регулируемого пересечения на основе нейросетевых алгоритмов
- Autonomous Electric Vehicles Can Reduce Carbon Emissions and Air Pollution in Cities / T. Ercan, N.C. Onat, N. Keya et al. // Transportation Research Part D: Transport and Environment. - 2022. - Vol. 112.
- Personal Exposure to Particulate Air Pollution during Commuting in European Cities -Recommendations and Policy Implications / A. Karanasiou, M. Viana, X. Querol et al. // Science of The Total Environment. - 2014. - Vol. 490. - P. 785-797.
- Heavy Metal Contamination and Health Risk Assessment of Road Dust from Landfills in Dhaka-Narayanganj, Bangladesh / M. Chakraborty, M.R. Rahat, T.R. Choudhury et al. // Emerging Contaminants. - 2023. - Vol. 10, Iss. 1. - 100278.
- MSGNN: A Multi-Structured Graph Neural Network Model for Real-Time Incident Prediction in Large Traffic Networks / T. Tran, D. He, J. Kim, M. Hickman // Transportation Research Part C: Emerging Technologies. - 2023. - Vol. 156. - 104354.
- Brusselaers, N. Rerouting Urban Construction Transport Flows to Avoid Air Pollution Hotspots / N. Brusselaers, C. Macharis, K. Mommens // Transportation Research Part D: Transport and Environment, 2023. - Vol. 119. - No. 103747.
- Urban Emissions hotspots: Quantifying Vehicle Congestion and Air Pollution using Mobile Phone GPS Data / C.K. Gately, L.R. Hutyra, S. Peterson, I.S. Wing // Environmental Pollution. - 2017. - Vol. 229. - P. 496-504.
- Yuan, W. Fuel Use and Emission Rates Reduction Potential for Light-Duty Gasoline Vehicle Eco-Driving / W. Yuan, H.C. Frey, T. Wei // Transportation Research Part D: Transport and Environment. - 2022. - Vol. 109. - No. 103394.
- Басков, В.Н. Категорирование участков улично-дорожной сети по степени риска транспортного затора с учетом скоростных интервалов / В. Н. Басков, А.В. Игнатов // Мир транспорта и технологических машин. - 2016. - № 3(54). - С. 53-59.
- Бояршинов, М. Г. Характеристики транспортного затора на основе данных системы фото-и видеофиксации / М.Г. Бояршинов, А.С. Вавилин // Интеллект. Инновации. Инвестиции. - 2023. - № 3. - С. 83-106.
- Buonanno, G. Influential Parameters on Particle Exposure of Pedestrians in Urban Microenvironments / G. Buonanno, F.C. Fuoco, L. Stabile // Atmospheric Environment. - 2011. - Vol. 45, Iss. 7. - P. 1434-1443.
- Meteorological Mechanism of Regional PM2.5 Transport Building a Receptor Region for Heavy Air Pollution over Central China / Y. Bai, T. Zhao, W. Hu et al. // Science of The Total Environment. - 2022. - Vol. 808. - 151951.
- Brusselaers, N. The Health Impact of Freight Transport-Related Air Pollution on Vulnerable Population Groups / N. Brusselaers, C. Macharis, K. Mommens // Environmental Pollution. - 2023. -Vol. 329, Iss. 4. - 121555
- Sharma, M. Assessment/Monitoring of Air Pollution and Effect on Human Health in Kota City During SPRING Season - 2020 / M. Sharma, A.K. Mathur // Materials Today: Proceedings, 2023. https://www.sciencedirect.com/science/article/pii/S2214785323050903
- A Large Eddy Simulation of the Dispersion of Traffic Emissions by Moving Vehicles at an Intersection / H. Woodward, M. Stettler, D. Pavlidis et al. // Atmospheric Environment. - 2019. -Vol. 215. - no. 116891
- New Insight into the Urban PM2.5 Pollution Island Effect Enabled by the Gaussian Surface Fitting Model: A Case Study in a Mega Urban Agglomeration Region of China / L. Yao, S. Sun, Y. Wang et al. // International Journal of Applied Earth Observation and Geoinformation. - 2022. - Vol. 113. -102982
- Приказ Министерства природных ресурсов и экологии РФ от 27 ноября 2019 г. № 804 «Об утверждении методики определения выбросов загрязняющих веществ в атмосферный воздух от передвижных источников для проведения сводных расчетов загрязнения атмосферного воздуха».
- Traffic Load Estimation from Structural Health Monitoring Sensors using Supervised Learning / A. Burrello, G. Zara, L. Benini et al. // Sustainable Computing: Informatics and Systems. - 2022. -Vol. 35. - 100704.
- Multi-YOLOv8: An Infrared Moving Small Object Detection Model Based on YOLOv8 for Air Vehicle / S. Sun, B. Mo, J. Xu etal. // Neurocomputing. - 2024. - Vol. 588. - 127685
- Urban Traffic Flow Analysis Based on Deep Learning Car Detection from CCTV Image Series / M.V. Peppa, D. Bell, T. Komar, W. Xiao // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives. - 2018. - Vol. 42, no. 4. - P. 565-572.
- Berkowicz, R. Traffic Pollution Modelling and Emission Data / R. Berkowicz, M. Winther, M. Ketzel // Environmental Modelling and Software. - 2006. - Vol. 21, Iss. 4. - P. 454-460.
