студент с 01.01.2023 по настоящее время
Воронеж, Воронежская область, Россия
УДК 004.852 Статистическое обучение и параметрическое обучение
В статье исследована проблема загазованности автомобильных дорог вблизи жилых зон города Воронежа, а также вопросы информирования населения об уровне загрязнения воздуха. Исследованы главные причины загрязнения воздуха на круговом перекрестке. В ходе исследования проанализированы возможности применения технологий искусственного интеллекта для более точного прогнозирования загрязняющих выбросов в атмосферу. Основное внимание было сосредоточено на создании комплексной системы экологического контроля, которая способна работать в режиме реального времени. Одним из ключевых достижений стала разработка концептуальной модели системы экстренного информирования населения. Такая система будет оперативно уведомлять горожан о критических изменениях в составе воздуха, что даст людям возможность принимать защитные меры заблаговременно. В рамках работы также были сформулированы практические предложения по модернизации городской инфраструктуры. Особое внимание уделялось оптимизации движения транспорта - этот фактор существенно влияет на экологическую ситуацию в мега-полисах. Параллельно изучили перспективы внедрения ИИ-решений для улучшения условий жизни горожан и минимизации негативного влияния загрязненного воздуха на их здоровье. Практическая ценность полученных выводов заключается в том, что они могут лечь в основу долго-срочных программ экологически ответственного развития городов. Кроме того, результаты работы открывают новые возможности для снижения транспортной нагрузки на окружающую среду. Отдельно стоит отметить перспективы объединения данных экологического мониторинга с действующими системами городского управления — это позволит быстрее и эффективнее решать возникающие экологические задачи.
искусственный интеллект, программное обеспечение, транспортный поток, САПР, экологическая безопасность, городское планирование
В Воронеже, как и во многих современных крупных городах, транспортный поток стал ключевым фактором загрязнения атмосферы. Это явление оказывает пагубное влияние не только на здоровье горожан, но и на общее качество городской среды. Для эффективного противодействия этой проблеме критически важно проводить тщательную оценку и непрерывный мониторинг выбросов вредных веществ, производимых транспортными средствами [1].
Несмотря на очевидную значимость данного вопроса, его решение сталкивается с рядом серьезных препятствий. Главным из них является отсутствие полноценной интерактивной карты выбросов. Такой инструмент мог бы предоставить жителям и городским властям возможность в реальном времени отслеживать уровень загрязнения воздуха в разных районах Воронежа. Отсутствие подобной системы существенно затрудняет своевременное информирование населения о повышенной загазованности и препятствует принятию оперативных мер по минимизации воздействия вредных выбросов [2].
Существующие механизмы оповещения государственных структур и органов власти о загрязнении воздуха зачастую демонстрируют низкую эффективность. Существующие системы мониторинга часто работают слишком медленно и не успевают адекватно отреагировать на быстро меняющуюся экологическую ситуацию. Это приводит к серьезной проблеме: при планировании городского развития экологические факторы зачастую остаются на втором плане. Такой подход создает предпосылки для накопления экологических проблем, которые в будущем могут серьезно ухудшить качество воздуха в городах.
В нашем исследовании мы изучаем разнообразные методики определения объемов вредных веществ, поступающих в атмосферу от городского транспорта. Параллельно анализируем существующие проблемы в системе информирования - как обычных жителей, так и представителей власти - о реальном состоянии воздушной среды. Центральное место в работе занимает изучение возможностей искусственного интеллекта и технологий машинного обучения. Эти современные решения могут кардинально изменить подходы к построению прогностических моделей загрязнения и формированию систем контроля и предупреждения.
Наше внимание сосредоточено на изучении того, как ИИ может объединить и проанализировать множество разрозненных данных: информацию о движении транспорта, показатели качества воздуха, а также другие параметры, которые определяют экологическое благополучие современных городов. Такой подход позволит создать более совершенные инструменты для управления городской средой и значительно снизить негативное воздействие транспортного потока на качество воздуха. Внедрение этих инновационных технологий может стать ключевым шагом в борьбе за чистый воздух и здоровую городскую среду в Воронеже и других крупных городах [3][4].
1. Афанасьева, Л. А. Исследование выбросов вредных веществ в атмосферу от автотранспорта в Люберецком районе и оценка интенсивности загрязнения / Л. А. Афанасьева // Студенческий. – 2023. – № 6-1(218). – С. 20-23. – EDN CVAOSO.
2. Сергаев, С. О. Загрязнение атмосферы передвижным автотранспортом / С. О. Сергаев // Экология, рациональное природопользование и охрана окружающей среды : Сборник статей по материалам XIII Всероссийской научно-практической конференции с международным участием школьников, студентов, аспирантов и молодых ученых, Лесосибирск, 15 декабря 2023 года. – Лесосибирск: Федеральное государственное бюджетное образовательное учреждение высшего образования "Сибирский государственный университет науки и технологий имени академика М.Ф. Решетнева", 2023. – С. 197-198. – EDN MDRNXX.
3. Cherbaeva, Zh. P. Assessment of the negative impact of transport on environmental ecology / Zh. P. Cherbaeva, O. N. Kozhukhina, P. D. Obukhov // The World of Science without Borders: Proceedings of the 11th all-Russian Scientific and Practical Conference for Young Researchers with International Participation, Tambov, 26 апреля 2024 года. – Tambov: Tambov State Technical University, 2024. – P. 73-75. – EDN CRMWTJ.
4. Regional transport dominates air pollution events in all seasons in Beijing in 2020 / Zh. Zhang, S. Wang, P. Wang [et al.] // Atmospheric Environment. – 2024. – Vol. 323. – P. 120395. – DOIhttps://doi.org/10.1016/j.atmosenv.2024.120395. – EDN VVJFQP.
5. Сумин, В. И. Использование ситуационного моделирования в разработке систем принятия решений для сложных организационных систем / В. И. Сумин, А. С. Кравченко, А. В. Толкачев // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 71-79. – DOIhttps://doi.org/10.12737/2219-0767-2024-69-77. – EDN FBBHJO.
6. Грибанов, А. А. Моделирование процесса комбинированного полива с использованием электрохимически активированной воды в теплицах / А. А. Грибанов, А. А. Мещерякова, А. В. Стариков // Моделирование систем и процессов. – 2024. – Т. 17, № 4. – С. 31-42. – DOIhttps://doi.org/10.12737/2219-0767-2024-17-4-31-42. – EDN ZTAVIF.
7. Волокитина, Т. С. Методы распознавания динамических объектов с использованием искусственного интеллекта / Т. С. Волокитина // Современные научные исследования и инновации. – 2021. – № 4(120). – EDN SSVAJJ.
8. Головченко, Н. А. Обработка информации с помощью искусственного интеллекта / Н. А. Головченко // Образование. Наука. Культура: традиции и современность: Материалы XI Всероссийской научно-практической конференции, посвященной 225-летию со дня рождения А.С. Пушкина, Анапа, 06–07 июня 2024 года. – Краснодар: ООО "Издательский Дом-Юг", 2024. – С. 224-227. – EDN ONZMDT.
9. Сафронов, Е. Нейросети и их практическое применение / Е. Сафронов, О. В. Акимова // Актуальные вопросы современной науки и образования : Сборник научных статей по материалам Всероссийской конференции в рамках проведения XХIII научно-практических чтений, посвященных памяти философа и общественного деятеля А.Н. Радищева, приуроченных к Году педагога и наставника, Малоярославец, 14 апреля 2023 года. – Малоярославец: Московский финансово-юридический университет МФЮА, 2023. – С. 288-291. – EDN ZDNBAJ.
10. Гулевский, Н. А. Методы обработки видеофайлов для проведения анализа / Н. А. Гулевский // Инновации. Наука. Образование. – 2021. – № 32. – С. 1280-1284. – EDN CTTALF.
11. Modelling of Deep Street Canyon Air Pollution Chemistry and Transport: A Wintertime Naples Case Study / Yu. Dai, A. Mazzeo, J. Zhong [et al.] // Atmosphere. – 2023. – Vol. 14, No. 9. – P. 1385. – DOIhttps://doi.org/10.3390/atmos14091385. – EDN UNXUIG.
12. Безопасные информационные технологии : Сборник трудов Тринадцатой международной научно-технической конференции, Москва, 30 октября – 01 2024 года. – Москва: МГТУ им. Н.Э.Баумана, 2024. – 237 с. – ISBN 978-5-6045553-9-2. – EDN IEAUTU.
13. Вьюненко, Е. К. Проблема правового регулирования использования потенциально опасных возможностей искусственного интеллекта / Е. К. Вьюненко // Байкальский студенческий юридический форум-2024. Современные проблемы правотворчества и правоприменения: Материалы Всероссийской студенческой научно-практической конференции, Иркутск, 21 марта 2024 года. – Иркутск: Всероссийский государственный университет юстиции, 2024. – С. 22-27. – EDN FRPGKZ.
14. Нтакпе, Ж. К. Объяснимый искусственный интеллект как путь улучшения и регулирования использования искусственного интеллекта / Ж. К. Нтакпе // Интеллектуальные технологии в эргономике и когнитивных науках : Сборник материалов всероссийской научно-практической онлайн-конференции с международным участием, Брянск, 04–06 июня 2024 года. – Брянск: Брянский государственный технический университет, 2024. – С. 404-406. – EDN FMYMGN.
15. Potapova, U. A. Optimization of pedestrian crossing placement / U. A. Potapova // The World of Science without Borders : PROCEEDINGS OF THE 10th ALL-RUSSIAN SCIENTIFIC AND PRACTICAL CONFERENCE (WITH INTERNATIONAL PARTICIPATION) FOR YOUNG RESEARCHERS, Tambov, 21 апреля 2023 года. – Tambov: Издательский центр ФГБОУ ВО "Тамбовский государственный технический университет", 2023. – P. 78-79. – EDN FTDGKF.
