مدلی پویا برای پایش لحظه ای آلایندگی خودروها مبتنی بر پردازش ویدئوی ترافیک و شبکه عصبی هیبریدی CNN-RNN در کلان شهرها

افزایش روزافزون خودروها در کلان شهرها به معضلی جدی برای محیط زیست و سلامت عمومی تبدیل شده است. روش های سنتی پایش آلایندگی به دلیل هزینه های بالا و عدم ارائه داده های لحظه ای و محلی پاسخگوی نیازهای مدیریت شهری نیستند. این پژوهش، یک سامانه هوشمند و مقیاس پذیر برای برآورد لحظه ای آلایندگی خودروها با استفاده از داده های ویدئویی دوربین های نظارتی شهری ارائه می دهد. در روش پیشنهادی ابتدا خودروها با استفاده از الگوریتم YOLOv۸ با دقتی بالغ بر ۹۳ درصد شناسایی و طبقه بندی می شوند. سپس با به کارگیری تبدیل هموگرافی و تکنیک های پردازش تصویر سرعت لحظه ای هر خودرو محاسبه می شود. در گام نهایی یک مدل یادگیری عمیق هیبریدی متشکل از شبکه های عصبی کانولوشنی (CNN) برای استخراج ویژگی های مکانی و شبکه های عصبی بازگشتی (RNN) برای مدل سازی وابستگی های زمانی، میزان انتشار آلاینده هایی نظیر NOx، CO و PM۲.۵ را با دقت بالایی پیش بینی می کند. ارزیابی مدل بر روی داده های واقعی ترافیکی، نشان دهنده بهبود چشمگیر دقت پیش بینی نسبت به روش های مبتنی بر سرعت متوسط است همچنین با بهره گیری از معماری های نوینی مانند VideoMamba امکان پیش بینی چند مرحله ای آلودگی تا سه ساعت آینده با دقتی معادل ۹۰ درصد (R۲) فراهم شده است. سیستم ارائه شده با بهره گیری از زیرساخت های موجود شهری راهکاری کارآمد، کم هزینه و قابل اعتماد برای پایش لحظه ای آلودگی هوا در اختیار مدیران شهری قرار می دهد.

کلیدواژه ها:

هوش مصنوعی ، یادگیری عمیق ، شبکه عصبی هیبریدی CNN-RNN ، پایش آلایندگی خودروها ، پردازش ویدئوی ترافیک ، VideoMamba ، کلان شهرها