在美国，对州和县级实施的汽车尾气检查和维护计划(I/M)的成本和有效性提出了一些批评。作为回应，PrithviAcharya博士在工程和公共政策方面，他的顾问，土木与环境工程方面的ScottMatthews，与公共政策方面的PaulFischbeck合作。他们发明了一种使用远程数据传输和机器学习来识别尾气排放过多的车辆的新方法，这种方法比当前的排放检查程序更便宜、更有效。美国大部分州都要求车辆定期进行尾气检查，以确保车辆尾气排放不超标，以维持空气质量。有些人可能不知道的是，如今排放量通常是通过汽车自身的车载诊断系统(OBD)测量的，该诊断系统处理所有车辆数据。虽然该系统识别出的排放违规行为有87%的可能性是真实的，但与实际排放的排气管测量结果相比，它也有50%的错误通过率。随着汽车作为智能设备越来越多地融入物联网(IoT)，并且当所有必要数据都存储在车辆的OBD上时，州和县政府不再有任何理由强制驾驶员定期进行排气检查。为了消除这些不必要的成本并提高废气排放检查和维护计划(I/M)的有效性，Acharya、Matthews和Fischbeck在IEEETransactionsonIntelligentTransportationSystems上发表了他们最近的研究。他们的新方法需要将数据直接从车辆发送到由驾驶员所在州或县管理的云服务器，从而无需定期检查车辆。相反，数据将通过机器学习算法运行，这些算法可以识别过度排放车辆中普遍存在的数据趋势和代码。这意味着大多数司机将不需要去测试设施进行现场检查，除非他们的车辆数据显示可能存在超标排放，此时可以联系他们进行进一步的检查和维护。研究团队的工作不仅表明通过更智能的废气排放检测程序可以节省大量时间和成本，而且他们的研究还表明如何使这些方法更加有效。他们用来识别可能排放过量排放物的车辆的模型比当前的车载诊断系统准确度高24%。这使得它更便宜、要求更低，并且在减少车辆排放方面更有效。该研究可能对美国31个州的居民产生重大影响，这些州目前拥有废气检查和维护计划(I/M)。由于现有的年度车辆检查计划面临持续的公众批评，该团队提出了一种新颖的系统，可以显着降低成本，同时显着提高减少车辆排放的有效性。他们的研究可能会重新定义美国控制和减少车辆排放的措施。
