Сочинение на тему Как минимизировать загрязнение, вызванное движением в Индии
- Опубликовано: 08.09.2020
- Предмет: жизнь, Мир, Окружающая обстановка
- Темы: Азия, Движение, загрязнение, Индия, Проблемы окружающей среды
АВТОРЕФЕРАТ
Глобальный рост климатических условий является наиболее заметной угрозой, составляющей 30% в развитых и 20% в развивающихся странах. Оценка показывает, что около 15% тепловыделений в большей степени обусловлено выбросом CO2 из автомобилей. Ведутся серьезные исследования, направленные на смягчение внезапного повышения температуры, которое включает в себя удобство транспортировки через экологически чистый автомобиль и снижение загрязнения. Дорожное движение и задержки создают тревожный рост глобального загрязнения. Интеллектуальные машинные вычисления способствуют использованию аналитики данных для имитации реалистичной скорости выбросов, а также рассчитываются задержки и разность, с которой транспортное средство должно проходить расстояние по альтернативному пути, а скорость выбросов для альтернативного пути рассчитывается с использованием подхода искусственного интеллекта. Оптимизированный маршрут должен быть эффективным в сокращении времени достижения пункта назначения, а самый короткий путь должен быть рассчитан из источника-назначения с использованием структуры картографического редуктора для уменьшения загрязнения. Предлагаемый подход регулирует трафик через систему динамической сигнализации, а также новую персонализированную систему оповещения об альтернативном маршруте от источника к месту назначения.
Ключевые слова: большие данные, фильтрация Гасса, машинное обучение, поле Маркова, VANET.
Введение
Индия является одной из самых быстрорастущих экономик в мире с точки зрения автомобилей. В течение 2010 года количество транспортных средств на дороге достигло отметки в сто миллионов, а к 2016 году число транспортных средств почти удвоилось и достигло отметки в 210 миллионов, а к 2018 году ожидается, что они достигнут отметки в 225 миллионов транспортных средств. Транспортные средства представляют большую угрозу для окружающей среды из-за количества выбросов от автомобилей. Увеличение автомобильного населения – главная причина транспортных пробок. Всякий раз, когда есть заторы на дорогах, загрязнение увеличивается и представляет собой угрозу, т. Е. Глобальное потепление.
Дорожная пробка может привести к различным социальным и экологическим проблемам. Водители, которые застряли в пробках на дорогах, имеют более высокий риск опоздания в пункт назначения и вызывают высокий стресс. Этот стресс может изменить нетерпение, небрежность и, следовательно, увеличить риск столкновения с дорожно-транспортными происшествиями и другими проблемами, такими как бушующий на дороге. Экономическая стоимость дорожных заторов также очень высока. Средняя задержка на человека составляет примерно 30 часов в год для нормальных городов и превышает 70 часов в мегаполисах. Эти заторы не только приводят к потере времени, но также включают потерю топлива из-за заторов на дорогах. Дорожные заторы также влияют на окружающую среду выбросами. Чем дольше время нахождения транспортных средств в пробках, тем больше топлива они потребляют, что приводит к более высокому загрязнению CO2 и действует как более высокий фактор риска для здоровья жителей.
Чтобы уменьшить проблему заторов на дорогах, инженеры используют последние разработки в области считывания, сбора и передачи данных для разработки интеллектуальных транспортных систем (ИТС), в которых применяются прикладные методы разведки и помощь в анализе информации о пробках, чтобы направлять трафик проходит гладко. В последние годы ИТС становится все более популярным из-за большого количества заторов. Интеллектуальная транспортная система имеет две стратегии во избежание заторов на дорогах. Один из них заключается в том, чтобы перенаправить некоторые транспортные средства из районов, подверженных перегруженности, а другой метод состоит в том, чтобы изучить политику управления движением света для более эффективного использования дорожных ресурсов.
В последние годы внедряются автомобили с низким уровнем выбросов, чтобы минимизировать уровень загрязнения. В таких городах, как Дели, уровень загрязнения чрезвычайно высок, так как люди страдают от серьезных заболеваний легких из-за загрязняющих частиц, которые накапливаются в виде смога. Одной из причин этих условий является интенсивное движение транспорта. Загрязнение дорожным движением может контролироваться за счет оптимизации экологической обстановки времени сигнала светофора и внедрения зеленых транспортных средств (Stathopoulos and Argyrakos, 1993). Есть несколько тематических исследований, оценивающих несколько последствий дорожного движения для выбросов CO2 и выхлопных газов Blackcarbon. Эти исследования (kolbl and Heilmann, 2015) описывают количество выбросов, вызванных отсутствием интеллектуальных транспортных систем, способных распознавать пробки на дорогах и системы динамической сигнализации.
ОБЗОР ЛИТЕРАТУРЫ
Cao et.al, 2016 предложил Единые рамки для перенаправления транспортных средств и управления движением света для снижения заторов на дорогах. Цифровые феромоны транспортных средств строятся по маршруту следования, а придорожные агенты используются для сбора феромонов и объединяют их для оценки условий движения в реальном времени. Эти результаты используются для прогнозирования ожидаемых уровней заторов на дорогах в будущем. Этот анализ поможет в процессе регулирования дорожного движения путем регулировки сигналов для оптимального движения транспортных средств. После прогнозирования заторов транспортные средства выбираются в соответствии с расстоянием до соответствующей дороги и их предназначением для вождения, и для перенаправления этих транспортных средств используется вероятностная стратегия, основанная на общем расстоянии и местном феромоне. В то же время, исходя из условий трафика в нисходящем направлении, две стратегии на основе феромонов используются для динамического управления светофорами, чтобы минимизировать уровень загруженности трафика.
Shen Wang et. et al. разработала многоагентную систему для смягчения непредвиденных городских заторов с использованием следующего маршрута. al 2015. Система помогает водителям сделать наиболее подходящий альтернативный выбор, чтобы избежать заторов в будущем. Решение об эвристическом изменении маршрута принимается на основе модели затрат, которая анализирует пункт назначения водителя и условия местного движения. Положительное изменение маршрута зависит от четырех факторов, а именно плотности транспортного средства, времени в пути, расстояния до пункта назначения и близости альтернативного пути. Эта система сталкивается с проблемой устранения определенного уровня перегрузки путем динамического изменения сигналов.
Zilu Liang и Yasushi Wakahara, 2014, предложили систему наведения маршрута в сочетании с персонализированной системой изменения маршрута для сокращения времени в пути транспортных средств в городских районах, которая использует ранговый подход для ранжирования транспортных средств, которые необходимо перенаправить в соответствии с По определенному критерию вычисляется эффективное время в пути до альтернативного маршрута для каждого транспортного средства. Система обновляется всякий раз, когда транспортное средство перенаправляется по тому же маршруту, чтобы учесть потенциальное влияние этого транспортного средства на следующее изменение маршрута. Система также сдвигает влево распределение времени в пути и имеет высокую вероятность уменьшения времени в пути, а также не заставляет альтернативный путь перегружаться, создавая больше задержек.
Шен Ванг и др., 2015 г. предложили адаптивную и основанную на VANETS адаптивную систему следующей маршрутизации дорог. Эта система предлагает стратегию изменения маршрута движения транспортных средств, которая адаптируется к внезапным изменениям городских дорожных условий. , Это включает в себя интеллектуальную калибровку алгоритмических и эксплуатационных параметров системы без какого-либо вмешательства со стороны администраторов дорожного движения. Метод на основе коэффициента вариации используется для расчета весовых значений для трех факторов в функции стоимости маршрутизации и использует алгоритм k-средних, который периодически применяется для выбора количества агентов, необходимых для вычислений. Эта стратегия адаптивного NRR в сочетании с технологией специальных транспортных сетей (VANET) обеспечивает систему, учитывающую трафик, которая может воспринимать информацию о трафике с гораздо более высокой частотой обновления и гораздо большими областями покрытия.
Сунг-Су Ким и др. представили алгоритм прогнозирования трафика, основанный на знании исторических данных и трафика в реальном времени. Эти результаты прогнозирования трафика используются для создания метода маршрутизации, который предоставляет интеллектуальные службы маршрутизации для динамической маршрутизации. Алгоритмы реализованы для сложных городских районов и города. Метод определения маршрута дает адаптивные маршруты на основе условий движения, а также на основе предпочтений пользователя. Вэньбинь Ху и др. Протестировали фактическую имитационную модель городского движения (AUTM), чтобы предсказать трафик, а также избежать пробок на дорогах. Модель включает в себя три ключевых компонента: преобразование карты и передачи для получения реальных городских сотовых пространств, оптимизированные правила пространственной эволюции, используемые для лучшего моделирования динамики транспортных средств, и алгоритм маршрутизации во избежание заторов для динамического обновления маршрутов из текущих местоположений. до места назначения.
Системы предотвращения заторов на основе VANET обмениваются информацией о текущей ситуации с местным движением для других транспортных средств для оптимизации маршрутов. Ян В. Ведель и соавт. предложил децентрализованную беспроводную связь между транспортными средствами, которая может использоваться навигационными системами для расчета маршрутов, избегая перегруженных дорог. Каждое транспортное средство передает свою среднюю скорость на дороге к транспортным средствам по соседству. Эти транспортные средства после получения информации будут пересчитывать маршруты на основе возможной скорости, с которой транспортное средство может двигаться впереди на участках дороги. Однако передача сообщений может быть нарушена зданиями, расположенными рядом с улицами, а также потерей данных из-за нескольких передач данных.
Prajakta Desai и др. в 2013 году разработали подход, основанный на нескольких агентах. Во избежание перегрузок и распределения альтернативных маршрутов с помощью согласования виртуальных агентов (CARAVAN) агенты транспортных средств общаются друг с другом перед каждым решением на своем маршруте. Решения о распределении маршрутов выполняются на стыках. Межавтомобильная связь используется VA для передачи информации о дорожном движении другим транспортным средствам, а также использует распределенную обработку. Каждый VA обменивается своей независимо рассчитанной информацией о предпочтениях маршрута, чтобы получить начальное распределение маршрутов. Распределение улучшается с помощью ряда последовательных виртуальных сделок согласования. Виртуальная природа этих сделок не требует физического общения и, следовательно, снижает коммуникационные требования. Эта система достигает приемлемого распределения маршрутов в течение короткого периода времени и с низкими издержками связи. Balaji et al. В 2007 году была разработана методика централизованной эволюционной оптимизации в реальном времени на основе нескольких агентов для управления городским трафиком для управления сигналами. Они использовали эволюционную стратегию, и с помощью этой стратегии общая средняя задержка транспортного средства уменьшается. Время зеленого сигнала было оптимизировано на основе алгоритма и дает лучшие результаты.
ПРЕДЛАГАЕМАЯ МЕТОДОЛОГИЯ
Предлагаемая система имеет два модуля, а именно прогнозирование движения транспортных средств и определение альтернативного маршрута на основе минимизированных выбросов CO2. Входное видео взято с дорожных камер, установленных на сигналах на дороге. Входное видео предварительно обрабатывается в первую очередь для удаления шума, и выполняется процесс вычитания фона и переднего плана. Этот подход использует метод гауссовой фильтрации для улучшения входных видеопотоков, поступающих с камер дорожного движения. Гауссовские функции полезны для процесса улучшения видеокадров или процесса обнаружения края после завершения процесса улучшения. Алгоритм обработки видеонаблюдения использует функцию Гаусса для удаления шума в видеофайлах. Процесс уменьшения шума с использованием функции Гаусса сначала фильтрует в направлении x, а затем фильтруется фильтром в направлении, которое не ортогонально. Теперь изображения свободны от шумов, которые могут представлять потенциальную угрозу в процессе обнаружения транспортных средств и прогнозирования движения транспортных средств.
Метод вычитания фона с помощью случайного поля Маркова (MRF) используется для отделения движущегося объекта в качестве переднего плана от фона. Сегментация объекта переднего плана, такого как транспортное средство, со сцены дорожного движения с камеры наблюдения за дорожным движением должна быть выполнена, чтобы завершить процесс отслеживания транспортного средства. Камера видеонаблюдения может быть статической или динамической в случае камеры Pan Tilt and Zoom (PTZ). Следовательно, процесс вычитания фона должен обнаруживать объекты, движущиеся от разницы, наблюдаемой между текущим кадром и опорным кадром, с использованием метода пиксель за пикселем или блока за блоком. Этот эталонный кадр известен как фоновое изображение или фоновая модель. Индийский трафик изменился в динамических сценах движения и требует хорошей фоновой модели и должен адаптироваться к динамическим сценам. Процесс обновления фоновой информации выполняется с периодическими интервалами, чтобы обновлять фоновую информацию всякий раз, когда происходит изменение фона. Объекты переднего плана в видеопотоке идентифицируются с использованием метода вычитания фона. Наиболее важным этапом в применении наблюдения является точное обнаружение транспортных средств только после того, как анализ может быть сделан. Фоновый алгоритм, такой как случайное поле Маркова (MRF), используется для повышения производительности процесса классификации и обнаружения объектов.
В предлагаемом процессе классификации есть процесс извлечения признаков и процесс классификации сцен. Система наблюдения использует наборы функций, полученные путем свертывания локальных шаблонов маски с объектом из видеофайла. Эти маски были введены для определения положения объекта в видео. Различное количество выборок в каждой сцене используется для обучения специфичного для сцены классификатора, чтобы отличить объект переднего плана от фона. С различным распределением обучающих изображений, система способна получать лучшие результаты для отслеживания объектов. Значения вероятности рассчитываются на основе движения транспортных средств. Плотность движения определяется по количеству транспортных средств в любой конкретный момент времени. Эти значения объединяются, чтобы получить подробную информацию о заторах. Как только перегруженность обнаружена, алгоритм альтернативного пути (AP) …
В период с 1001 по 1100 год в Западной Европе и Китае произошли обширные изменения в их эпоху. В результате перемен политика, экономика и интеллект
Многие дети в отделении интенсивной терапии новорожденных сталкиваются со многими проблемами со здоровьем, которые сопряжены с рискованными и болезненными процедурами в повседневной жизни в больнице.
В ходе исследования были определены три императивные цели, которые должны определить взаимосвязь между денежным продвижением, разбуханием и безработицей, изучить воздействие отека в Пакистане и оценить