Deep Reinforcement Learning for Urban Air Quality Management: Multi-Objective Optimization of Pollution Mitigation Booth Placement in Metropolitan Environments
Created by
Haebom
저자
Kirtan Rajesh, Suvidha Rupesh Kumar
개요
본 연구는 델리시의 공기 질 개선을 위해 공기 정화 부스 배치를 최적화하는 새로운 심층 강화 학습(DRL) 프레임워크를 제시합니다. Proximal Policy Optimization (PPO) 알고리즘을 사용하여 인구 밀도, 교통 패턴, 산업 영향, 녹지 공간 제약 조건 등 여러 공간적, 환경적 요소를 기반으로 높은 영향을 미치는 위치를 반복적으로 학습하고 식별합니다.
시사점, 한계점
•
시사점:
◦
델리시의 공기 질 개선을 위한 공기 정화 부스 배치를 최적화하는 DRL 프레임워크 제시.
◦
PPO 알고리즘을 활용하여 여러 환경적 요인을 고려한 고효율 부스 배치 전략 구현.
◦
기존 배치 전략(무작위, 탐욕적 AQI 기반) 대비 우수한 성능을 입증.
◦
AQI 개선, 공간 커버리지, 인구 및 교통 영향, 공간 엔트로피 등 다차원 성능 평가 지표 사용.
