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

要約

都市の大気汚染は、特に人口密度の高い密集した交通集約型の大都市圏で、有害な汚染物質への曝露が公衆衛生に深刻な影響を与えることにおいて、依然として緊急の世界的な懸念事項です。
世界で最も汚染された都市の1つであるデリーは、車両の排出量、産業活動、建設粉塵のために慢性的な大気質の問題を経験しています。
静的な大気浄化設備などの従来の汚染緩和戦略は、最適ではない配置と動的な都市環境への適応性が限られているため、その影響を最大化できないことがよくあります。
この研究では、デリー市の大気質指数（AQI）を改善するために、空気浄化ブースの配置を最適化するための新しいディープ補強学習（DRL）フレームワークを紹介します。
最先端の強化学習アルゴリズムである近位政策最適化（PPO）を採用して、人口密度、交通パターン、産業の影響、緑地の制約などの複数の空間的および環境要因に基づいて、インパクトの高い場所を繰り返し学習して特定します。
私たちのアプローチは、AQI改善、空間カバレッジ、人口と交通の影響、空間エントロピーなどの多次元パフォーマンス評価メトリックを使用して、ランダムで貪欲なAQIベースの方法を含む従来の配置戦略に対してベンチマークされています。
実験結果は、RLベースのアプローチが、空気浄化インフラストラクチャのバランスのとれた効果的な分布を達成することにより、ベースライン方法よりも優れていることを示しています。
特に、DRLフレームワークは、AQIの削減と高カバレッジの展開との間の最適なトレードオフを達成し、都市部で公平な環境上の利点を確保しています。
この調査結果は、Smart Cityイニシアチブとデータ駆動型の都市大気質管理を推進する際のAI主導の空間最適化の可能性を強調しています。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google