bato-adv

کاهش آلودگی هوا با چراغ‌های راهنمایی هوشمند

کاهش آلودگی هوا با چراغ‌های راهنمایی هوشمند
یک پژوهشگر از فناوری یادگیری ماشینی برای ایجاد سیستم‌های مدیریت چراغ راهنمایی که از نظر اجتماعی و محیطی آگاه هستند، استفاده کرده است که آن‌ها را برای کاهش انتشار گاز‌های گلخانه‌ای از وسایل نقلیه ایده‌آل می‌سازد.
تاریخ انتشار: ۱۲:۲۷ - ۲۲ آبان ۱۴۰۲

پژوهشگران می‌گویند علائم راهنمایی و رانندگی مبتنی بر هوش مصنوعی می‌توانند انتشار گاز‌های گلخانه‌ای از وسایل نقلیه را کاهش دهند.

به گزارش ایسنا، تولید آلودگی از وسایل نقلیه عامل مهمی در آلودگی هوا در سراسر جهان است و آن را به یک مشکل محلی و جهانی تبدیل کرده است. آن‌ها مسئول انتشار آلاینده‌هایی مانند مونوکسید کربن، اکسید‌های نیتروژن، ذرات معلق و هیدروکربن‌ها در جو زمین هستند.

آژانس حفاظت از محیط زیست ایالات متحده تخمین می‌زند که انتشار گاز‌های گلخانه‌ای ناشی از بخش حمل و نقل حدود ۲۹ درصد از کل انتشار گاز‌های گلخانه‌ای این کشور را تشکیل می‌دهد که از سال ۱۹۹۰ تا ۲۰۲۱ بیش از هر بخش دیگری افزایش داشته است.

کاهش انتشار آلاینده‌ها

اکنون برای کاهش این شکل خطرناک از آلودگی هوا، یک پژوهشگر از فناوری یادگیری ماشینی برای ایجاد سیستم‌های مدیریت چراغ راهنمایی که از نظر اجتماعی و محیطی آگاه هستند، استفاده کرده است که آن‌ها را برای کاهش انتشار گاز‌های گلخانه‌ای از وسایل نقلیه ایده‌آل می‌سازد.

یو یانگ، استادیار علوم کامپیوتر و مهندسی در کالج مهندسی و علوم کاربردی دانشگاه پی. سی راسین (P.C. Rossin) و همکارانش در حال کار بر روی یک استراتژی سه جانبه هستند که جریان ترافیک منظم‌تری را با توقف‌های کمتر یا کوتاه‌تر ممکن می‌سازد.

خودرو‌هایی که در شهر‌های شلوغ پشت چراغ‌های راهنمایی توقف می‌کنند، به میزان قابل توجهی در آلودگی هوا نقش دارند. افرادی که آسم یا سایر اختلالات پزشکی دارند که حساسیت آن‌ها به ذرات معلق در هوا را افزایش می‌دهد، به شکل ویژه تحت تأثیر این موضوع قرار می‌گیرند.

پژوهشگران یک دستگاه حسگر کیفیت هوای متحرک و ارزان قیمت برای مکان‌یابی مناطق با آلودگی بالا و درک نیاز‌های محیطی مکان‌های مختلف ایجاد خواهند کرد.

به عنوان مثال، محل بیمارستان ممکن است جایگاه استقرار تعداد بیشتری از افراد آسیب پذیر باشد که نیاز به محافظت بیشتری دارند.

یانگ می‌گوید: ما از این داده‌ها برای ایجاد یک مدل یادگیری انتشار نمودار مکانی-زمانی برای تعیین وضعیت ترافیک در شهر در بستر آزمایشی خود در نیوآرک نیوجرسی استفاده خواهیم کرد.

به عبارت دیگر، به بررسی این می‌پردازیم که ترافیک و آلودگی هوا در مقاطع زمانی مختلف در مکان‌های مختلف چگونه است؟

پژوهشگران با استفاده از تکنیک یادگیری تقویتی، چگونگی تنظیم علائم ترافیکی را با در نظر گرفتن علائم ترافیکی در اطراف شهر و بررسی عملکرد آنها، کیفیت هوا را افزایش می‌دهند.

اولین در نوع خود

یانگ می‌گوید: این اولین پروژه در نوع خود است که یک جزء اجتماعی را در یک سیستم کنترل ترافیک ادغام می‌کند. ما برای حل یک مشکل در دنیای واقعی از دیدگاه فنی و اجتماعی استفاده می‌کنیم.

پژوهشگران همچنین تعاملات انسان و سیستم را در نظر خواهند گرفت که شامل نحوه انتخاب و استفاده افراد از خودرو‌ها در محیط‌های شهری می‌شود.

یانگ استدلال می‌کند که تحقیقات قبلی در این زمینه این فرض را ایجاد می‌کند که افراد مسیر خود را به طور تصادفی انتخاب می‌کنند.

با این حال، الگوریتم این تیم می‌تواند با استفاده از این نوع داده‌ها بهبود یابد تا در پیش‌بینی نحوه تعامل واقعی کاربران با سیستم دقیق‌تر شود.

هدف اصلی یانگ، ایجاد یک سیستم مبتنی بر شبکه وب است که سطوح کیفیت هوا را به ساکنان شهر‌ها نشان می‌دهد تا بتوانند تصمیمات آگاهانه‌ای در مورد کاری که انجام می‌دهند، بگیرند.

این سیستم با یک مدل مدیریت ترافیک تکمیل می‌شود که به مقامات حمل و نقل شهری اجازه می‌دهد سیگنال‌ها را در لحظه کنترل کنند و آن‌ها را برای تغییر عملکرد به منظور افزایش کیفیت هوا در آلوده‌ترین مناطق تنظیم کنند.

bato-adv
مجله خواندنی ها
bato-adv
bato-adv
bato-adv
پرطرفدارترین عناوین