康奈尔大学的工程师使用人工智能简化和强化了模型，这些模型可以准确计算城市空气污染中所含的细颗粒物(PM2.5)——卡车和排放的烟尘、灰尘和废气进入人体肺部。

现在，城市规划者和政府卫生官员可以从2022年12月发表在《交通研究D部分》杂志上的新研究中更准确地了解城市居民的福祉和他们呼吸的空气。

“基础设施决定了我们的生活环境，我们的曝光率，”工程学院霍华德辛普森土木与环境工程教授、资深作者高奥利弗说。“交通造成的空气污染影响——在我们街道上行驶的和卡车排放的废气——非常复杂。我们的基础设施、交通和能源政策将影响空气污染，进而影响公众健康。”

以前测量空气污染的方法很麻烦，并且依赖于大量的数据点。“用于计算颗粒物的旧模型在计算和机械方面都非常复杂，”康奈尔阿特金森可持续发展中心的教员高说。

“但如果你开发一个易于访问的数据模型，并借助人工智能填补一些空白，你就可以在局部范围内拥有一个准确的模型。”

主要作者SalilDesai'20，工程硕士。'21和访问科学家MohammadTayarani和Gao发表了“为超本地交通相关颗粒物浓度映射开发机器学习模型”，以提供一种更精简、数据密集度更低的方法来制作准确的模型。

环境空气污染是全世界过早死亡的主要原因。根据康奈尔大学研究中引用的柳叶刀研究，2015年全球每年有超过420万人死于空气污染——心血管疾病、缺血性心脏病、中风和肺癌。

在这项工作中，该小组开发了四种机器学习模型，用于在纽约市五个行政区收集的数据中与交通相关的颗粒物浓度，这五个行政区的总人口为820万，每日车辆行驶里程为5500万英里。

这些方程在AI算法中使用很少的输入，例如交通数据、拓扑和气象学，来学习模拟各种与交通相关的空气污染浓度场景。

他们表现最好的模型是卷积长短期记忆(ConvLSTM)，它训练算法预测许多空间相关的观测值。

“我们的数据驱动方法——主要基于车辆排放数据——需要的建模步骤要少得多，”Desai说。该方法不是专注于固定位置，而是提供对城市街道污染表面的高分辨率估计。更高的分辨率可以帮助交通和流行病学研究评估健康、环境正义和空气质量的影响。