رمزگشایی اثرات ترافیک شهری بر کیفیت هوا توسط موجودی یادگیری عمیق و انتشار

آلودگی هوا یک مانع بزرگ برای پایداری آینده است و آلودگی ترافیک تبدیل شده است فشار زیادی بر توسعه پایدار کلان شهرهای آینده دارد]۲۰۲۰.[ Alfaseeh, در اینجا، ترکیب با حجم زیادی از داده های نظارت زمان واقعی ، ما یک مدل یادگیری عمیق ، Deep Air را پیشنهاد می کنیم ، برای پیش بینی غلظت PM۵.۲ سطح سطحی در کلان شهر شانگهای و ارتباط خلاقانه با موجودی انتشار MEIC برای رمزگشایی اثرات ترافیک شهری بر کیفیت هوا. مدل ما به نمایش گذاشته می شود وفاداری بالا در بازتولید غلظت آلاینده و کاهش MAE از ۳۵۵.۲۵ میکروگرم بر متر مکعب تا ۲۸۳.۱۲ میکروگرم بر متر مکعب در مقایسه با مدلهای دیگر. و رتبه رشته را مشخص می کند عوامل ، شرایط جوی محلی به یک عامل غیر قابل چشم پوشی تبدیل شده است . ارتباط لایه ای اننتشار خروجی ((LRP در اینجا برای افزایش تفسیرپذیری مدل استفاده می شود و تجسم و تجزیه و تحلیل دلایل همبستگی مختلف بین تراکم ترافیک و غلظت PM۵.۲ در مناطق مختلف شانگهای . در همین حال، به عنوان سختگیر و موثر اندازه گیری های کاهش انتشار صنعتی در چین ، سهم ترافیک شهری به سازند PM۵.۲ محاسبه شده با ترکیب موجودی انتشار MEIC و LRP به تدریج از ۰۳.۱۸ درصد در سال ۲۰۱۱ به ۳۷.۲۴ درصد در سال ۲۰۱۷ در شانگهای افزایش می یابد و تاثیر آن طبق پیش بینی ما، انتشار گازهای گلخانه ای در سال ۲۰۳۰ همیشه برجسته خواهد بود. ما همچنین استنباط میکنیم که ترویج برقرسانی وسایل نقلیه باعث کاهش بیشتر آن می شودPM .۵.۲ حدود ۴۵.۸% تا سال ۲۰۳۰ به تدریج . این بینش ها برای ارائه آن اهمیت زیادی دارند که مبنای تصمیم گیری برای مدیریت دقیق و کارآمد ترافیک و کنترل آلودگی شهری و در نهایت به نفع زندگی مردم و توسعه پایدار با کیفیت بالا شهرها است Alimujiang, ] .[A. and Jiang, P., ۲۰۲۰

Keywords:

انتشار ترافیک , یادگیری عمیق , مکانیسم توجه , وسایل نقلیه انرژی جدید