利用 CRBM 改进缺失数据下的海上交通排放估计
计算机与社会
2020-09-11 v2 计算工程、金融与科学
机器学习
神经与进化计算
摘要
海上交通排放是各国政府的一大关切，因其严重影响沿海城市的空气质量。船舶使用自动识别系统（AIS）持续报告位置与速度等特征，因此若结合引擎数据，该数据适于估计排放。然而，重要的船舶特征常不准确或缺失。巴塞罗那超级计算中心的 CALIOPE 等最先进复杂系统被用于建模空气质量。这些系统可受益于基于 AIS 的排放模型，因其在污染定位上非常精确。遗憾的是，这些模型对缺失或 corrupted 数据敏感，因此需要数据整理技术以显著提升估计精度。本工作中，我们提出一种利用条件受限玻尔兹曼机（CRBMs）加机器学习方法处理船舶数据的方法论，以改进传入排放模型的数据质量。结果显示我们可改进所提出的覆盖缺失数据的默认方法。在结果中，我们观察到使用我们的方法后，模型提升了检测原本不可检测排放的准确性。特别地，我们使用西班牙港口当局提供的 AIS 真实数据集估计：得益于我们的方法，模型能够检测出额外 45% 的排放，代表巴塞罗那每周 152 吨污染物，并提出了可增强排放建模的新特征。
引用
@article{arxiv.2009.03001,
title = {Improving Maritime Traffic Emission Estimations on Missing Data with CRBMs},
author = {Alberto Gutierrez-Torre and Josep Ll. Berral and David Buchaca and Marc Guevara and Albert Soret and David Carrera},
journal= {arXiv preprint arXiv:2009.03001},
year = {2020}
}
备注
12 pages, 7 figures. Postprint accepted manuscript, find the full version at Engineering Applications of Artificial Intelligence (https://doi.org/10.1016/j.engappai.2020.103793)