Logo des Repositoriums

Auflistung nach Autor:in "Tremper, Paul"

1 - 3 von 3
  • Textdokument
    Adaptives luftqualitätsgewichtetes Fahrradrouting mittels Land-use Regression auf Basis offener Daten
    (INFORMATIK 2021, 2021) Janßen, Julian; Tremper, Paul; Riedel, Till
    Luftschadstoffen ausgesetzt zu sein hat langfristige negative gesundheitliche Folgen, denen besonders Fahrradfahrer im urbanen Raum ausgesetzt sind. Dabei gibt es wahrscheinlich keine unschädliche Dosis: weniger ist immer besser. Diese Arbeit zeigt, dass luftqualitätsgewichtete Fahrradrouten die persönliche Exposition gemäß dem Regressionsmodell deutlich reduzieren können, wobei die errechneten Umwege zumeist nur minimal sind. Auf Basis offener Daten wird ein neuronales Netzwerk zur Schätzung der Luftqualität trainiert. Dabei werden PM10-Daten aus mobilen Messungen als Indikator der Luftqualität verwendet. Das entstehende Land-Use-Regression-Modell bezieht dabei sowohl zeitliche als auch räumliche Features mit ein. Anschließend wird dieses Modell verwendet, um luftqualitätsgewichtete Routen zu berechnen. Dabei wird gezeigt, wie ein solches feingranulare Modell im Routing verwendet werden kann. Anhand von zufällig gewählten Start/Ziel Paaren werden die luftqualitätsgewichteten Routen mit der jeweils kürzesten Strecke verglichen.
  • Textdokument
    Spatial Interpolation of Air Quality Data with Multidimensional Gaussian Processes
    (INFORMATIK 2021, 2021) Tremper, Paul; Till Riedel; Budde, Matthias
    The central question of this paper is whether interpolation techniques applied to a distributed sensor network can indeed provide more information than using the constant background of an urban reference station to measure air pollution. We compare different interpolation techniques based on temporal-spatial machine learning in terms of their applicability for correctly predicting personal exposure. Using a dataset of stationary low-cost sensors, we estimate exposure on a route through the city and compare it to mobile measurements. The results show that while different machine learning-based interpolation methods yield quite different results, validation of machine learning-based approaches is still challenging.
  • Konferenzbeitrag
    Towards Fine-Grained Sensor-Based Probabilistic Individual Air Pollution Exposure Prediction using Wind Information
    (EnviroInfo 2023, 2023) Tremper, Paul; Riedel, Till
    The estimation of pollutant exposure is highly dependent on the spatial and temporal resolution of the underlying model. This work presents a street-level Gaussian Process Regression model for urban air quality that uses a novel covariance kernel based on physical considerations to process wind information. This model can be driven by information from observations from low-cost sensor networks. We present the model, including the construction of the wind angle kernel, and discuss the inconclusive evaluation to date, the current challenges, and the way forward.