基于边缘智能感知代理的联合学习的空气污染物可追溯性

科学领域:

• 环境科学 环境科学
• 计算机科学 计算机科学
• 城市规划 城市规划

背景情况:

• 城市空气污染的追踪是复杂的,因为不可预测的空气动力学.
• 像CFD模拟这样的传统方法在实时城市监测方面存在局限性.
• 带有边缘计算的智能灯柱为分布式传感提供了一种新的解决方案.

研究的目的:

• 开发和评估一个先进的算法,准确追踪城市环境中的空气污染源.
• 利用边缘智能感知器 (EIPA) 进行实时空气质量监测.
• 通过整合联合学习,LSTM和遗传算法来改进现有方法.

主要方法:

• 在边缘智能感知代理 (EIPA) 系统上构建了一个联合学习框架.
• 长短期内存 (LSTM) 模型在边缘节点上进行数据处理.
• 使用遗传算法优化LSTM和高斯扩散模型参数.
• 使用CFD模拟来生成用于培训的空气动态运动数据.

主要成果:

• 拟议的FL+LSTM+GA方法在定位污染源方面实现了99.5%的准确性.
• 对于高斯模型参数估计的平均绝对误差 (MAE) 被降低到0.20.
• 与传统的遗传算法和LSTM + GA方法相比,显著改进.
• 验证了联合学习与边缘智能感知剂用于污染物追踪的有效性.

结论:

• 综合FL+LSTM+GA方法为城市空气污染源的识别提供了高度准确和高效的解决方案.
• 边缘计算和联合学习在增强实时环境监测网络方面是有效的.
• 这项技术为城市空气质量管理和公共卫生保护提供了有希望的进步.