Real-time air quality prediction using traffic videos and machine learning
Notice bibliographique
Résumé
• Non-linear machine learning models predict air quality better than linear models. • Cameras can be used for extracting traffic information through image recognition. • Traffic data extraction and air quality prediction should be tailored to the area. • Traffic cameras are a low-cost tool for predicting real-time air quality. Machine learning techniques are yielding better results than traditional statistical techniques to estimate traffic-related air pollutant (TRAP) concentrations. However, required data inputs, particularly complex traffic data, are costly and rarely collected in real-time. This study leverages real-time object detection techniques to accurately predict TRAP concentrations by extracting traffic variables solely from videos. Fine particulate matter (PM 2.5 ), nitrogen dioxide (NO 2 ) and ozone (O 3 ) concentrations are recorded by low-cost sensors, with traffic data extracted using object detection and tracking algorithms. Extreme Gradient Boosting, random forest, and multilinear regression models are employed to predict concentrations across different predictor combinations. Our optimal models accurately predict PM 2.5 , NO 2, and O 3 concentrations with R 2 values of 0.94, 0.95, and 0.92, respectively. This study demonstrates a cost-effective approach with high accuracies in predicting real-time TRAP using a low-cost and low-maintenance tool: a video camera. Cities could similarly track TRAP using traffic camera infrastructure without additional sensor deployment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».