用于城市空气质量管理的深度强化学习：都市环境中污染缓解亭放置的多目标优化
计算机视觉与模式识别
2025-10-08 v2 人工智能
机器学习
摘要
这是发表于 IEEE Access 第 13 卷，第 146503--146526 页，2025 年，doi:10.1109/ACCESS.2025.3599541 的文章预印本版本。请引用该出版版本。城市空气污染仍是紧迫的全球性问题，尤其在德里等人口密集且交通繁忙的都市区，暴露于有害污染物严重影响公共健康。德里是全球污染最严重的城市之一，由于车辆尾气、工业活动和建筑粉尘，导致其空气质量长期恶化，加剧了本已脆弱的大气环境。传统的污染缓解策略（如静态空气净化装置）由于放置欠佳且对动态城市环境的适应性有限，往往无法最大化其影响。本研究提出了一种新颖的深度强化学习（DRL）框架，以优化空气净化亭的放置，从而改善德里的空气质量指数（AQI）。我们采用近端策略优化（PPO）这一最先进的强化学习算法，基于包括人口密度、交通模式、工业影响和绿地约束在内的多种空间与环境因素，迭代学习并识别高影响力位置。我们的方法使用多维性能评估指标（如 AQI 改善、空间覆盖、人口与交通影响以及空间熵），与随机和基于 AQI 的贪心等常规放置策略进行了基准比较。
引用
@article{arxiv.2505.00668,
title = {Deep Reinforcement Learning for Urban Air Quality Management: Multi-Objective Optimization of Pollution Mitigation Booth Placement in Metropolitan Environments},
author = {Kirtan Rajesh and Suvidha Rupesh Kumar},
journal= {arXiv preprint arXiv:2505.00668},
year = {2025}
}
备注
This is the preprint version of the article published in IEEE Access vol. 13, pp. 146503--146526, 2025, doi:10.1109/ACCESS.2025.3599541. Please cite the published version