論文の概要: Deep Reinforcement Learning for Urban Air Quality Management: Multi-Objective Optimization of Pollution Mitigation Booth Placement in Metropolitan Environments

• arxiv url: http://arxiv.org/abs/2505.00668v1
• Date: Thu, 01 May 2025 17:19:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.382654
• Title: Deep Reinforcement Learning for Urban Air Quality Management: Multi-Objective Optimization of Pollution Mitigation Booth Placement in Metropolitan Environments
• Title（参考訳）: 都市大気質管理のための深層強化学習:都市環境における汚染軽減ブース配置の多目的最適化
• Authors: Kirtan Rajesh, Suvidha Rupesh Kumar,
• Abstract要約: 世界でも最も汚染されている都市の一つであるデリーでは、排ガス、産業活動、建設ダストによる慢性的な大気汚染の問題を経験している。 静的空気浄化設備のような従来の汚染緩和戦略は、最適下方配置と動的な都市環境への適応性に制限があるため、その影響を最大化できないことが多い。 本研究では,デリー市における大気浄化ブースの配置を最適化し,大気質指標(AQI)を改善するための新しい深層強化学習(DRL)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban air pollution remains a pressing global concern, particularly in densely populated and traffic-intensive metropolitan areas like Delhi, where exposure to harmful pollutants severely impacts public health. Delhi, being one of the most polluted cities globally, experiences chronic air quality issues due to vehicular emissions, industrial activities, and construction dust, which exacerbate its already fragile atmospheric conditions. Traditional pollution mitigation strategies, such as static air purifying installations, often fail to maximize their impact due to suboptimal placement and limited adaptability to dynamic urban environments. This study presents a novel deep reinforcement learning (DRL) framework to optimize the placement of air purification booths to improve the air quality index (AQI) in the city of Delhi. We employ Proximal Policy Optimization (PPO), a state-of-the-art reinforcement learning algorithm, to iteratively learn and identify high-impact locations based on multiple spatial and environmental factors, including population density, traffic patterns, industrial influence, and green space constraints. Our approach is benchmarked against conventional placement strategies, including random and greedy AQI-based methods, using multi-dimensional performance evaluation metrics such as AQI improvement, spatial coverage, population and traffic impact, and spatial entropy. Experimental results demonstrate that the RL-based approach outperforms baseline methods by achieving a balanced and effective distribution of air purification infrastructure. Notably, the DRL framework achieves an optimal trade-off between AQI reduction and high-coverage deployment, ensuring equitable environmental benefits across urban regions. The findings underscore the potential of AI-driven spatial optimization in advancing smart city initiatives and data-driven urban air quality management.
• Abstract（参考訳）: 都市大気汚染は、特に人口密度が高く交通量の多いデリーのような大都市圏では、公衆衛生に深刻な影響を与えている。 デリーは世界でも最も汚染されている都市の一つで、自動車の排ガス、産業活動、建設ダストなどによる慢性的な大気汚染の問題を経験しており、既に脆弱な大気環境が悪化している。 静的空気浄化設備のような従来の汚染緩和戦略は、最適下方配置と動的な都市環境への適応性に制限があるため、その影響を最大化できないことが多い。 本研究では,デリー市における大気浄化ブースの配置を最適化し,大気質指標(AQI)を改善するための新しい深層強化学習(DRL)フレームワークを提案する。 我々は,人口密度,交通パターン,産業的影響,緑地制約など,複数の空間的・環境的要因に基づいて,高インパクトな位置を反復的に学習し,同定するために,最先端の強化学習アルゴリズムであるPPO(Proximal Policy Optimization)を採用している。 提案手法は,AQI改善,空間被覆,人口・交通影響,空間エントロピーなどの多次元評価指標を用いて,ランダムなAQIベースの手法を含む従来の配置手法と比較した。 実験により,RL法は大気浄化インフラのバランスよく効果的な分布を達成し,ベースライン法よりも優れた性能を示した。 特に、DRLフレームワークは、AQI削減と高被覆配置のトレードオフを最適に達成し、都市部における均等な環境効果を確保できる。 この結果は、スマートシティイニシアチブとデータ駆動型都市大気管理におけるAI駆動型空間最適化の可能性を強調している。

関連論文リスト

• Air Quality Prediction with A Meteorology-Guided Modality-Decoupled Spatio-Temporal Network [47.699409089023696]
  大気質の予測は公衆衛生と環境保護において重要な役割を担っている。 既存の研究は大気の質予測において重要な役割を過小評価している。 MDSTNetは、予測のための大気汚染依存性を明示的にキャプチャするエンコーダフレームワークである。 ChinaAirNetは、大気の質記録と多気圧レベルの気象観測を組み合わせた最初のデータセットである。
  論文  参考訳（メタデータ） (2025-04-14T09:18:11Z)
• Explainable AI for building energy retrofitting under data scarcity [40.14307808809578]
  本研究では,人工知能(AI)と機械学習(ML)を基盤として,住宅のエネルギー効率対策を推奨する枠組みを提案する。 ラトビアをケーススタディとして、この方法論は限られたデータセット、クラス不均衡、データ不足に関連する課題に対処する。 このアプローチの評価は、データ制限を顕著に克服し、精度、リコール、F1スコアの最大54%の改善を実現していることを示している。
  論文  参考訳（メタデータ） (2025-04-08T14:00:08Z)
• AirCast: Improving Air Pollution Forecasting Through Multi-Variable Data Alignment [46.56288727659417]
  大気汚染は、急速な工業化と都市化によって悪化する世界的な健康リスクの先駆けである。 本稿では,新しい多変量大気汚染予測モデルであるAirCastを紹介する。 AirCastは、大気条件と汚染物質濃度を同時に予測するマルチタスクヘッドアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2025-02-25T07:34:18Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Airport take-off and landing optimization through genetic algorithms [55.2480439325792]
  本研究は, 航空機の運転における汚染問題に対処し, ゲート割り当てと滑走路スケジューリングを同時に最適化することに焦点を当てた。 本研究は,航空機の離陸・着陸時の燃料燃焼による汚染を最小化するための,革新的な遺伝的アルゴリズムに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-02-29T14:53:55Z)
• Using construction waste hauling trucks' GPS data to classify earthwork-related locations: A Chengdu case study [8.065039038112346]
  アースワーク関連地域(ERL)は、都市ごみ汚染の主な原因である(粒子状物質)。 本研究は,16,000台以上の建設廃棄物運搬トラック(CWHT)のGPSトラジェクトリデータを用いた都市ERLの識別と分類を目的とする。 いくつかの機械学習モデルを比較し,中国成都市における実世界データを用いた分類性能に及ぼす時空間的特徴の影響を検討した。
  論文  参考訳（メタデータ） (2024-02-22T16:50:32Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• Towards Environmentally Equitable AI via Geographical Load Balancing [40.142341503145275]
  本稿では、その地域的負の環境影響のバランスをとることによって、AIの環境不平等に対処する第一歩を踏み出す。 大規模言語AIモデルに対する推論要求を提供する地理的に分散した10のデータセンタを考慮し、トレースベースのシミュレーションを実行する。 その結果,既存のGLBアプローチは環境不平等を増大させる可能性を示し,提案したエクイティ対応GLBは,炭素および水のフットプリントにおける地域格差を著しく低減できることを示した。
  論文  参考訳（メタデータ） (2023-06-20T17:13:33Z)
• Discretized Linear Regression and Multiclass Support Vector Based Air Pollution Forecasting Technique [0.0]
  本稿では,クラウドコンピューティング環境における大気汚染の監視と制御を行うIoT(Internet of Things)システムを提案する。 インドにおける大気質データを用いた実験により,提案したLR-MSV法の優れた性能が明らかにされた。
  論文  参考訳（メタデータ） (2022-11-28T06:51:59Z)
• Dynamic Price of Parking Service based on Deep Learning [68.8204255655161]
  都市部における空気質の向上は、公共団体の主な関心事の一つである。 この懸念は、大気の質と公衆衛生の間の証拠から生じる。 規制された駐車場サービスにおける動的価格の提案について述べる。
  論文  参考訳（メタデータ） (2022-01-11T20:31:35Z)
• Aim in Climate Change and City Pollution [0.0]
  大気汚染は、環境の悪化と、それにさらされた市民の健康に重要な役割を担っている。 本章では, 大気汚染をモデル化するための手法のレビューを行い, 機械学習手法の適用に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-30T16:17:46Z)
• AIREX: Neural Network-based Approach for Air Quality Inference in Unmonitored Cities [0.491574468325115]
  監視局は、継続的に空気の質に関する情報を取得するために設置されているが、すべての地域をカバーするわけではない。 既存の方法は、監視対象都市のみの空気質を推定することを目的としており、監視対象都市では空気質を推定しない。 本研究では,未モニタリング都市における大気質を正確に推定するためのニューラルネットワークベースのアプローチAIREXを提案する。
  論文  参考訳（メタデータ） (2021-08-16T14:41:14Z)
• HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method [8.86417830514213]
  HighAirは階層型グラフニューラルネットワークに基づく空気質予測手法である。 都市レベルのグラフと駅レベルのグラフを階層的な観点から構築する。 ヤンツェ川デルタ都市群のデータセット上で、HighAirと最新の空気品質予測方法を比較します。
  論文  参考訳（メタデータ） (2021-01-12T02:31:14Z)
• AirRL: A Reinforcement Learning Approach to Urban Air Quality Inference [7.238981927352622]
  都市大気汚染は公衆衛生を脅かす主要な環境問題となっている。 課題の1つは、空気質推論のためのいくつかの関連するステーションを効果的に選択する方法である。 都市大気質推定のための強化学習に基づく新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-03-27T02:04:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。