[논문 리뷰] A Multi-Agent based Approach for Simulating the Impact of Human Behaviours on Air Pollution

Sabri Ghazi, Julie Dugdale외 1명|arXiv (Cornell University)|2019. 04. 08.

Transportation Planning and Optimization인용 수 7

한 줄 요약

이 논문은 인간이 산업 배출에 대해 결정을 내리는 방식이 대기 오염에 미치는 영향을 시뮬레이션하기 위해 다중 에이전트 시스템(MAS)을 제안한다. 여기서 에이전트는 실시간 오염 수준과 기후 데이터를 바탕으로 배출률을 조정하며, 진화적 N인용자 갈등 게임을 사용한다. 모델은 연기 확산 모델과 인공 신경망(ANN)을 통합하여 오염 농도를 예측하며, 규제적 제재가 에이전트 간 협력과 대기 질 제어를 향상시킨다는 점을 입증한다.

ABSTRACT

This paper presents a Multi-Agent System (MAS) approach for designing an air pollution simulator. The aim is to simulate the concentration of air pollutants emitted from sources (e.g. factories) and to investigate the emergence of cooperation between the emission source managers and the impact this has on air quality. The emission sources are controlled by agents. The agents try to achieve their goals (i.e. increase production, which has the side effect of raising air pollution) and also cooperate with others agents by altering their emission rate according to the air quality. The agents play an adapted version of the evolutionary N-Person Prisoners' Dilemma game in a non-deterministic environment; they have two decisions: decrease or increase the emission. The rewards/penalties are influenced by the pollutant concentration which is, in turn, determined using climatic parameters. In order to give predictions about the Plume Dispersion) model and an ANN (Artificial Neural Network) prediction model. The prediction is calculated using the dispersal information and real data about climatic parameters (wind speed, humidity, temperature and rainfall). Every agent cooperates with its neighbours that emit the same pollutant, and it learns how to adapt its strategy to gain more reward. When the pollution level exceeds the maximum allowed level, agents are penalised according to their participation. The system has been tested using real data from the region of Annaba (North-East Algeria). It helped to investigate how the regulations enhance the cooperation and may help controlling the air quality. The designed system helps the environmental agencies to assess their air pollution controlling policies.

연구 동기 및 목표

• 에이전트 기반 시뮬레이션을 통해 산업 배출 결정과 대기 질 간의 동적 상호작용을 모델링한다.
• 규제적 압력 하에서 배출원 관리자 간 협력이 어떻게 발생하는지 조사한다.
• 실제 기상 데이터와 오염 확산 모델링을 통합한 예측 시뮬레이션 프레임워크를 개발한다.
• 에이전트 인centives를 통해 환경 규제가 배출 감소를 촉진하는 데 얼마나 효과적인지 평가한다.
• 시뮬레이션 결과를 바탕으로 환경 기관이 대기 질 제어 정책을 평가하고 개선할 수 있도록 지원한다.

제안 방법

• 에이전트는 산업 배출원을 나타내며 보상과 제재에 따라 배출량을 증가시키거나 감소시키는 결정을 내린다.
• 에이전트는 비결정론적 환경에서 수정된 진화적 N인용자 갈등 게임을 플레이한다.
• 오염 농도는 바람 속도, 습도, 온도, 강수량 등의 실제 기상 파rameters를 포함한 연기 확산 모델을 사용하여 예측된다.
• 실제 데이터를 기반으로 훈련된 인공 신경망(ANN)은 오염 농도 예측 정확도를 향상시킨다.
• 에이전트는 동일한 오염 물질을 배출하는 인접한 에이전트와 협력하며 집단적 오염 수준에 따라 전략을 조정한다.
• 오염이 규제 기준을 초과할 경우 제재가 적용되어 배출 감소와 협력 유도를 유도한다.

실험 결과

연구 질문

• RQ1 모의 오염 환경에서 규제적 제재가 작용할 경우 에이전트의 배출 결정은 어떻게 변화하는가?
• RQ2 오염 수준이 모니터링되고 제재가 가해질 경우, 배출 에이전트 간 협력은 어느 정도 발생하는가?
• RQ3 연기 확산 모델과 ANN의 통합 모델이 실시간 대기 오염 농도를 얼마나 정확하게 예측할 수 있는가?
• RQ4 기상 파rameters는 오염 확산의 공간적·시간적 동역학에 어떤 역할을 하는가?
• RQ5 규제적 제재는 장기적인 배출 감소와 대기 질 향상에 얼마나 효과적인가?

주요 결과

• 오염이 규제 기준을 초과할 경우, 배출 에이전트 간 협력의 기원이 모델에 성공적으로 시뮬레이션되었다.
• 규제적 제재는 보상 구조를 통해 에이전트가 공동으로 배출량을 감소시키도록 유도하여 총 배출 수준을 크게 감소시켰다.
• 연기 확산 모델과 ANN의 통합은 단독 모델 대비 오염 농도 예측 정확도를 향상시켰다.
• 바람 속도와 강수량과 같은 기상 파rameters는 오염 확산 패턴에 강력한 영향을 미치는 것으로 확인되었다.
• 시뮬레이션 결과는 환경 기관이 이 모델을 활용해 대기 질 제어 정책을 평가하고 최적화할 수 있음을 입증했다.
• 에이전트는 시간이 지남에 따라 전략을 조정하며 변화하는 오염 수준과 제재에 대응하는 학습 행동을 보였다.