. IntroductionThe dynamics of joint

. Introduction
The dynamics of jointly considering pollutants and traffic variables may have significant benefits for air quality ‘‘management’’
and conservation in urban areas, especially when integrated with intelligent transportation systems. Several simulation
models have been applied to link traffic flows to pollutant concentrations in urban areas. Moseholm et al. (1996) for
example considered volume, occupancy, speed and headway along with wind speed data to predict CO concentrations at
urban intersections and Nagendra and Khare (2006) trained static neural network (ANNs) to relate traffic composition to
NO2 concentration. Recently, Yang et al. (2008) considered traffic volumes and travel speeds to predict CO/CO2 levels an
Cai et al. (2009) predicted pollutants’ concentration based on factors such as traffic volume, composition, day of the week
and time of day, previous concentration levels, meteorological and geographical data.
Nevertheless, most efforts to incorporate real world traffic data to the process of pollutants prediction seem not to be systematic
or methodologically consistent with the short-term evolution of traffic flow; previous analyses on urban short-term
traffic time series data have shown evidence of non-stationary and nonlinear characteristics (Vlahogianni et al., 2006); this
statistical characteristics should be addressed, either explicitly or implicitly, during the modeling of the interaction between
pollutants and traffic flow. Moreover, the use of ANNs as more robust and accurate predictors of the anticipated pollutants
concentration, has been restricted to structural and learning formulations that are not consistent with the possible non-stationary
and nonlinear features of traffic and pollutants time-series. Almost all studies mentioned above concern multilayer
Perceptrons (MLPs) that are static in nature and contradict, at least conceptually, the initial consideration that both air pollutants
and traffic flow are, in essence, dynamically evolving.

ผลลัพธ์ (ไทย) 1:

. IntroductionThe dynamics of jointly considering pollutants and traffic variables may have significant benefits for air quality ‘‘management’’and conservation in urban areas, especially when integrated with intelligent transportation systems. Several simulationmodels have been applied to link traffic flows to pollutant concentrations in urban areas. Moseholm et al. (1996) forexample considered volume, occupancy, speed and headway along with wind speed data to predict CO concentrations aturban intersections and Nagendra and Khare (2006) trained static neural network (ANNs) to relate traffic composition toNO2 concentration. Recently, Yang et al. (2008) considered traffic volumes and travel speeds to predict CO/CO2 levels anCai et al. (2009) predicted pollutants’ concentration based on factors such as traffic volume, composition, day of the weekand time of day, previous concentration levels, meteorological and geographical data.Nevertheless, most efforts to incorporate real world traffic data to the process of pollutants prediction seem not to be systematicor methodologically consistent with the short-term evolution of traffic flow; previous analyses on urban short-termtraffic time series data have shown evidence of non-stationary and nonlinear characteristics (Vlahogianni et al., 2006); thisstatistical characteristics should be addressed, either explicitly or implicitly, during the modeling of the interaction betweenสารมลพิษและการจราจร นอกจากนี้ การใช้ ANNs เป็นทำนายอย่างสมบูรณ์ และถูกต้องของสารมลพิษคาดว่าจะความเข้มข้น ถูกจำกัดการก่อสร้างและสูตรที่ไม่สอดคล้องกับการได้เคลื่อนไหว ในการเรียนรู้และคุณสมบัติเชิงเส้นของการจราจรและมลพิษชุดเวลา การศึกษาเกือบทั้งหมดดังกล่าวข้างต้นหลายข้อกังวลPerceptrons (MLPs) ที่มีลักษณะคงที่ และขัดแย้ง กัน โดยหลักการน้อย การพิจารณาเบื้องต้นว่า ทั้งอากาศมลพิษและการจราจร ในสาระสำคัญ พัฒนาแบบไดนามิก

ผลลัพธ์ (ไทย) 2:

. บทนำ
การเปลี่ยนแปลงของสารมลพิษร่วมกันพิจารณาและตัวแปรการจราจรอาจจะมีประโยชน์อย่างมากสำหรับคุณภาพอากาศ '' จัดการ ''
และการอนุรักษ์ในพื้นที่เขตเมืองโดยเฉพาะอย่างยิ่งเมื่อรวมกับระบบขนส่งอัจฉริยะ จำลองหลาย
รุ่นได้ถูกนำมาใช้ในการเชื่อมโยงกระแสการจราจรที่มีความเข้มข้นของสารมลพิษในพื้นที่เขตเมือง Moseholm et al, (1996) สำหรับ
ตัวอย่างการพิจารณาปริมาณการเข้าพักความเร็วและความคืบหน้าพร้อมกับข้อมูลที่ความเร็วลมที่จะคาดการณ์ความเข้มข้นของ CO ที่
แยกเมืองและ Nagendra และ Khare (2006) ผ่านการฝึกอบรมเครือข่ายประสาทคงที่ (ANNs) ที่จะเกี่ยวข้องกับองค์ประกอบของการเข้าชม
ความเข้มข้น NO2 เมื่อเร็ว ๆ นี้ยาง, et al (2008) การพิจารณาปริมาณการจราจรและความเร็วในการเดินทางไปยังทำนาย CO / CO2 ระดับ
Cai, et al (2009) คาดการณ์ความเข้มข้นของสารมลพิษ 'ขึ้นอยู่กับปัจจัยต่างๆเช่นปริมาณการจราจรองค์ประกอบวันของสัปดาห์
และเวลาของวันระดับความเข้มข้นก่อนหน้าอุตุนิยมวิทยาและข้อมูลทางภูมิศาสตร์.
อย่างไรก็ตามความพยายามที่สุดที่จะรวมข้อมูลการจราจรโลกแห่งความจริงถึงกระบวนการของมลพิษ ทำนายดูเหมือนจะไม่เป็นระบบ
หรือ methodologically สอดคล้องกับวิวัฒนาการในระยะสั้นของการไหลของการจราจร วิเคราะห์ก่อนหน้านี้ในเมืองระยะสั้น
ข้อมูลอนุกรมเวลาการเข้าชมได้แสดงหลักฐานการมีคุณสมบัติไม่หยุดนิ่งและไม่เชิงเส้น (Vlahogianni et al, 2006.); นี้
ลักษณะทางสถิติที่ควรได้รับการแก้ไขอย่างใดอย่างหนึ่งอย่างชัดเจนหรือโดยปริยายในระหว่างการสร้างแบบจำลองของการปฏิสัมพันธ์ระหว่าง
สารมลพิษและการจราจร นอกจากนี้การใช้ ANNs เป็นที่แข็งแกร่งมากขึ้นและการพยากรณ์ที่ถูกต้องของสารมลพิษที่คาดว่าจะ
มีความเข้มข้นได้รับการ จำกัด ให้สูตรโครงสร้างและการเรียนรู้ที่ไม่สอดคล้องกับความเป็นไปได้ไม่หยุดนิ่ง
คุณสมบัติและไม่เป็นเชิงเส้นของการจราจรและมลพิษทางอนุกรมเวลา เกือบทั้งหมดการศึกษาดังกล่าวข้างต้นความกังวลหลาย
เพอร์เซปตรอน (MLPs) ที่จะคงที่ในธรรมชาติและขัดแย้งอย่างน้อยแนวคิดการพิจารณาเบื้องต้นว่าทั้งมลพิษทางอากาศ
และการไหลของการจราจรในสาระสำคัญการพัฒนาแบบไดนามิก