一种基于深度学习和多目标优化来划定交通低排放控制区的方法

科学领域:

• 环境科学 环境科学
• 城市规划 城市规划
• 数据科学数据科学数据科学

背景情况:

• 目前的交通低排放控制区 (TLEZ) 面临实施挑战.
• 准确分析PM2.5度对于有效划分区域至关重要.
• 现有的方法缺乏全面的时空分析和社会环境考虑.

研究的目的:

• 开发一个复杂的模型来分析TLEZ内的PM2.5度.
• 整合各种数据源,包括出租车车队的PM2.5数据,道路网络特征和时间序列数据.
• 建立一个多目标优化框架,以确定最佳的TLEZ边界,考虑到环境和社会影响.

主要方法:

• 利用出租车队的PM2.5数据与静态道路网络和动态时间序列功能相结合.
• 采用了集结卷积神经网络 (CNN),长期短期记忆 (LSTM) 和注意力机制 (AM) 的深度学习模型进行时空分析.
• 开发了一个多目标优化模型,用非主导排序遗传算法II (NSGA-II) 解决,以确定区域划分的帕雷托最佳解决方案.

主要成果:

• 深度学习模型准确地捕获了复杂的空间和时间PM2.5分布模式.
• 多目标优化确定了低排放区,超低排放区和零排放区的最佳边界.
• 该框架提供了一个平衡的方法,考虑环境质量和居民福祉.

结论:

• 本研究提出了一种新的数据驱动方法,用于使用先进的AI技术优化TLEZ.
• 拟议的框架为决策者和城市规划者提供了可操作的见解,以设计更有效和公平的排放控制区.
• 整合现实数据和复杂的建模可以提高城市污染管理策略的精度和响应性.