مدلی پویا برای پایش لحظه‌ای آلایندگی خودروها مبتنی بر پردازش ویدئوی ترافیک و شبکه عصبی هیبریدی CNN-RNN در کلان‌شهرها

مدلی پویا برای پایش لحظه‌ای آلایندگی خودروها مبتنی بر پردازش ویدئوی ترافیک و شبکه عصبی هیبریدی CNN-RNN در کلان‌شهرها

پریسا قهرمان شهرکی1

1) مهندس کامپیوتر

کد IOI مقاله : AAHE-ABHGDG
محل انتشار : کنفرانس ملی فناوری های عمران، طراحی و ساخت، انرژی، مواد و ماشین آلات پیشرفته(icaeu.ir)
چکیده :
    افزایش روزافزون خودروها در کلان‌شهرها به معضلی جدی برای محیط‌زیست و سلامت عمومی تبدیل شده است. روش‌های سنتی پایش آلایندگی، به دلیل هزینه‌های بالا و عدم ارائه داده‌های لحظه‌ای و محلی، پاسخگوی نیازهای مدیریت شهری نیستند. این پژوهش، یک سامانه هوشمند و مقیاس‌پذیر برای برآورد لحظه‌ای آلایندگی خودروها با استفاده از داده‌های ویدئویی دوربین‌های نظارتی شهری ارائه می‌دهد. در روش پیشنهادی، ابتدا خودروها با استفاده از الگوریتم YOLOv8 با دقتی بالغ بر ۹۳ درصد شناسایی و طبقه‌بندی می‌شوند . سپس، با به‌کارگیری تبدیل هموگرافی و تکنیک‌های پردازش تصویر، سرعت لحظه‌ای هر خودرو محاسبه می‌شود. در گام نهایی، یک مدل یادگیری عمیق هیبریدی متشکل از شبکه‌های عصبی کانولوشنی (CNN) برای استخراج ویژگی‌های مکانی و شبکه‌های عصبی بازگشتی (RNN) برای مدل‌سازی وابستگی‌های زمانی، میزان انتشار آلاینده‌هایی نظیر CO، NOx و PM2.5 را با دقت بالایی پیش‌بینی می‌کند. ارزیابی مدل بر روی داده‌های واقعی ترافیکی، نشان‌دهنده بهبود چشمگیر دقت پیش‌بینی نسبت به روش‌های مبتنی بر سرعت متوسط است. همچنین، با بهره‌گیری از معماری‌های نوینی مانند VideoMamba، امکان پیش‌بینی چندمرحله‌ای آلودگی تا سه ساعت آینده با دقتی معادل ۹۰ درصد (R²) فراهم شده است . سیستم ارائه شده با بهره‌گیری از زیرساخت‌های موجود شهری، راهکاری کارآمد، کم‌هزینه و قابل‌اعتماد برای پایش لحظه‌ای آلودگی هوا در اختیار مدیران شهری قرار می‌دهد.

کلمات کلیدی : هوش مصنوعی یادگیری عمیق شبکه عصبی هیبریدی cnn rnn پایش آلایندگی خودروها پردازش ویدئوی ترافیک videomamba کلان‌شهرها