阅读笔记：iSpray: Reducing Urban Air Pollution with Intelligent Water Spraying
一、基本信息
- 阅读人和日期：XW Guo，2022.3.10
- 引用格式：Y Chen, Z Zhou, and L Thiele. iSpray: Reducing Urban Air Pollution with Intelligent Water Spraying. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2022, 6(1): 1-29.
- 单位：ETH Zurich, and Singapore Management University, all facilities
- 原文链接： https://doi.org/10.1145/3517227
- 概述：本文提出了iSpray引擎，用于通过成本效益高的喷水在关键的城市POI进行细粒度的空气污染控制。具体地，将领域知识与机器学习相结合，对喷水如何在时间和空间上影响PM2.5和PM10的浓度进行分析和建模，并利用对污染传播路径的预测来安排最小数量的喷水器，使关键地点的污染浓度得到控制。
二、动机及创新点
动机：
设计一个城市喷水系统，面临着多种技术挑战：缺少关于喷水如何减少城市室外空间的PM2.5和PM10浓度的定量模型。在开放的城市空间中，如果没有一个定量的污染减少模型，很难决定开启哪些喷水器。喷水系统应具有成本效益，即开启最少的喷水器，以保持关键POI的PM2.5和PM10浓度在预期范围内。
主要贡献及创新点：
- 本文是第一个描述喷水器对城市户外地区PM2.5和PM10减少的影响，表明了喷水器所在地的喷洒诱导的污染物减少是非线性的天气依赖，这可以通过神经网络进行建模。
- 本文设计了一个可解释的模型，将喷水纳入城市空气质量地图的生成。我们利用领域知识来隔离喷洒对污染物空间分布的影响，以便在有限的喷洒数据下，轻松地进行喷洒调度并准确地生成地图。
- 本文提出了一种传播感知的喷水器调度算法，以在关键城市点实现低成本的空气污染控制。与基线策略相比，本文的调度方案将喷水器的总开启时间减少了32%。
三、问题描述和方法论
1. 空气质量地图预测模型
本文改进了一个基于卷积长短期记忆（convLSTM）模块的空气质量预测模型。预测结果将用于污染减少模型的参数学习（见4）和污染传播路径生成（见5的算法1）。
2. 基于神经网络的污染减少定量模型
给定喷水器$s_{k}$和$\Delta{t}$所有需要的特征，模型将预测出累计污染减少量$Q_{s_k}(\Delta{t})$
3. 利用领域知识构建空气污染减少地图
考虑在整个地区部署𝐾个喷水器。那么，网格𝑅内的总污染减少量R(𝑔)在时间段内$\Delta{t}$为：
$$
R(g)=\sum_{k=1}^{K}I(s_k)c(g|s_k)
$$
4. 空气污染减少地图的参数学习
5. 算法设计：具有成本效益的喷水器调度
1）算法1：推导出污染传播路径
2）算法2：喷水器调度算法
四、实验部分
1）数据集
通过部署固定的喷水器和空气质量传感箱获得数据集。
2）基线方法
基线方法是根据同地传感箱测得的实时污染浓度来控制喷水器，表示为Real-Time-Values。
3）评价指标
用水量($𝑚^3$) 和用电量($𝑘𝑊ℎ$)
4）实验结果
不同喷水器调度器的性能对比，结果如下表所示：
