城市交通碳排放预测的多模型对比分析

doi:10.3969/j.issn.1674-0696.2020.07.06

重庆交通大学学报（自然科学版） ›› 2020, Vol. 39 ›› Issue (07): 33-39.DOI: 10.3969/j.issn.1674-0696.2020.07.06

城市交通碳排放预测的多模型对比分析

高金贺1，黄伟玲2，蒋浩鹏3

(1. 东华理工大学土木与建筑工程学院，江西南昌330013； 2. 东华理工大学长江学院，江西南昌 344000； 3. 河北工业大学土木与交通学院，天津 300401)

收稿日期:2019-02-26 修回日期:2019-05-14 出版日期:2020-07-16 发布日期:2020-07-21
作者简介:高金贺(1981—)，男，辽宁沈阳人，副教授，博士，主要从事岩土工程方面的研究。E-mail：12813630@qq.com 通信作者：黄伟玲(1990—)，女，江西南昌人，助教，硕士，主要从事岩土工程方面的研究。E-mail：1241547553@qq.com
基金资助:
江西省科技厅科技计划项目(2016BBG70084)

Comparison of Multiple Forecast Models of Urban Traffic Carbon Emissions

GAO Jinhe1, HUANG Weiling2, JIANG Haopeng3

(1.School of Civil Engineering and Architecture, East China University of Technology, Nanchang 330013, Jiangxi, China; 2.Yangtze River College, East China University of Technology, Nanchang 344000, Jiangxi, China; 3.School of Civil Engineering and Transportation, Hebei University of Technology, Tianjin 300401, China)

Received:2019-02-26 Revised:2019-05-14 Online:2020-07-16 Published:2020-07-21

摘要/Abstract

摘要： 为寻找合适的城市交通运输碳排放预测方法，基于STIRPAT模型，选取人口总量、人均GDP、机动车保有量、碳排放强度、城镇化率、旅客周转量和货物周转量等7项指标作为城市交通运输碳排放影响因素，分别建立基于遗传算法优化支持向量机、粒子群优化支持向量机、网格搜索优化支持向量机预测模型，并以1995—2016年交通运输碳排放相关指标作为基础数据做实例分析。结果表明：GA-SVM对比PSO-SVM与GS-SVM所得出训练集的相关系数分别增长了2.74%和1.07%，测试集的相关系数分别增长了1.04%和0.29%，较其它两种预测模型具有良好的学习和推广能力，说明GA-SVM模型更适合对城市交通碳排放进行预测分析。

关键词: 交通运输工程, 碳排放预测, GA-SVM模型, 影响指标

Abstract: In order to find a suitable prediction method for carbon emission of urban traffic, 7 indexes were selected as the influencing factors of carbon emission of urban traffic based on the STIRPAT model. The 7 indexes included total population, per capita GDP, vehicle ownership, carbon emission intensity, urbanization rate, passenger turnover, cargo turnover and etc.. The prediction models of GA-SVM, PSO-SVM and GS-SVM were established respectively.And the relevant indicators of traffic carbon emissions from 1995 to 2016 were taken as the basic data for case study. The results show that: compared with PSO-SVM and GS-SVM, the correlation coefficients of training set of GA-SVM increase by 2.74% and 1.07% respectively, and the correlation coefficients of test set of GA-SVM increase by 1.04% and 0.29% respectively. Compared with the other two prediction models, GA-SVM model has good learning and generalization ability, which indicates that GA-SVM model is more suitable for the prediction and analysis of urban traffic carbon emissions.

Key words: traffic and transportation engineering, carbon emissions, GA-SVM model, influence index

中图分类号:

U491.11

高金贺1，黄伟玲2，蒋浩鹏3. 城市交通碳排放预测的多模型对比分析[J]. 重庆交通大学学报（自然科学版）, 2020, 39(07): 33-39.

GAO Jinhe1, HUANG Weiling2, JIANG Haopeng3. Comparison of Multiple Forecast Models of Urban Traffic Carbon Emissions[J]. Journal of Chongqing Jiaotong University(Natural Science), 2020, 39(07): 33-39.

参考文献

［1］ TIMILSINA G R, SHRESTHA A. Transport sector CO2 emissions growth in Asia: underlying factors and policy options［J］. Energy Policy, 2009, 37(11): 4523-4539.
［2］孙昌龙，靳诺，张小雷，等.城市化不同演化阶段对碳排放的影响差异［J］.地理科学，2013，33(3)：266-272.
SUN Changlong, JIN Nuo, ZHANG Xiaolei, et al. The impact of urbanization on the CO2 emission in the various development stages［J］. Scientia Geographica Sinica,
2013, 33(3): 266-272.
［3］王建伟，张晓明，宋庆亮，等.基于PSR模型的低碳交通运输发展评价研究［J］.重庆交通大学学报(自然科学版)，2014，33(3)：102-107.
WANG Jianwei, ZHANG Xiaoming, SONG Qingliang, et al. Evaluation of low carbon transportation development based on PSR model［J］. Journal of Chongqing Jiaotong
University(Natural Science), 2014, 33(3): 102-107.
［4］蒋金亮，宋瑞，刘杰.低碳交通下快速公交票价优化研究［J］.重庆交通大学学报(自然科学版)，2011，30(4)：818-822.
JIANG Jinliang, SONG Rui, LIU Jie. Optimization for BRT ticket price under condition of low-carbon traffic［J］. Journal of Chongqing Jiaotong University(Natural
Science), 2011, 30(4): 818-822.
［5］陈亮，何涛，李巧茹，等.区域交通碳排放相关指标测算及影响因素分析［J］.北京工业大学学报，2017，43(4)：631-637.
CHEN Liang, HE Tao, LI Qiaoru, et al. Index calculation and effect factor study of regional transport carbon emission［J］. Journal of Beijing University of
Technology, 2017, 43(4): 631-637.
［6］ LIN Shoufu, ZHAO Dingtao, MARINOVA D. Analysis of the environ-ment impact of China based on STIRPAT model［J］. Environmental Impact Assessment Review, 2009,
29(6): 341-347.
［7］武翠芳，熊金辉，吴万才，等.基于STIRPAT模型的甘肃省交通碳排放测算及影响因素分析［J］.冰川冻土，2015，37(3)：826-834.
WU Cuifang, XIONG Jinhui, WU Wancai, et al. Calculation and effect factor analysis of transport carbon emission in Gansu Province based on STIRPAT model［J］.
Journal of Glaciology and Geocryology, 2015, 37(3): 826-834.
［8］聂锐，张涛，王迪.基于IPAT模型的江苏省能源消费与碳排放情景研究［J］.自然资源学报，2010，25(9)：1557-1564.
NIE Rui, ZHANG Tao, WANG Di. The scenario analysis on energy consumption and carbon emissions based on environmental loads model［J］. Journal of Natural
Resources, 2010, 25(9): 1557-1564.
［9］ WAGGONER P E, AUSUBEL J H. A framework for sustainability science: A renovated IPAT identity［J］. Proceedings of the National Academy of Sciences of the
United States of America, 2002, 99(12): 7860-7885.
［10］ SHAHBAZ M, LOGANATHAN N, SBIA R, et al. The effect of urbanization, affluence and trade openness on energy consumption: A time series analysis in Malaysia［
J］. Renewable and Sustainable Energy Reviews, 2015, 47(11): 683-693.
［11］卢建锋，傅惠，王小霞.区域交通运输业碳排放效率影响因素研究［J］.交通运输系统工程与信息，2016，16(2)：25-30.
LU Jianfeng, FU Hui, WANG Xiaoxia. Research on the impact of regional transportation emissions efficiency factors［J］. Journal of Transportation Systems
Engineering and Information Technology, 2016, 16(2): 25-30.
［12］刘志强，吕学，张利.基于多分类GA-SVM的高速公路AID模型［J］.系统工程理论与实践，2013，33(8)：2110-2115.
LIU Zhiqiang, LYU Xue, ZHANG Li. Highway automatic incident detection based on multi-class classification and GA-SVM［J］. System Engineering—Theory and Practice,
2013, 33(8): 2110-2115.
［13］武雪玲，沈少青，牛瑞卿.GIS支持下应用PSO-SVM模型预测滑坡易发性［J］.武汉大学学报(信息科学版)，2016，41(5)：665-671.
WU Xueling, SHEN Shaoqing, NIU Ruiqing. Landslide susceptibility prediction using GIS and PSO-SVM［J］. Geomatics and Information Science of Wuhan University,
2016, 41(5): 665-671.
［14］宋杰鲲.基于支持向量回归机的中国碳排放预测模型［J］.中国石油大学学报(自然科学版)，2012，36(1)：182-187.
SONG Jiekun. Chinas carbon emissions prediction model based on support vector regression［J］. Journal of China University of Petroleum(Edition of Natural
Science), 2012, 36(1): 182-187.
［15］陈亮，王金泓，何涛，等.基于SVR的区域交通碳排放预测研究［J］.交通运输系统工程与信息，2018，18(2)：13-19.
CHEN Liang, WANG Jinhong, HE Tao, et al. Forecast study of regional transportation carbon emissions based on SVR［J］. Journal of Transportation Systems
Engineering and Information Technology, 2018, 18(2): 13-19.
［16］ CORTES C, VAPNIK V. Support-vector networks［J］. Machine Learning, 1995, 20(3): 273-297.

[1]	李晶1,2，钟鹏1，吕靖1,2. 基于系统动力学的陆港与城市经济互动研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 1-7.
[2]	李军1，朱云升2. 三角模糊层次分析的综合评价在黄河库区船舶安全评估中的应用[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 16-22.
[3]	邓萍1,2，宋莲1，黄承锋1,2. 三峡坝区过闸船舶拥堵成本测算及对坝区货物总价值影响研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 23-30.
[4]	程谦1 ，朱晓宁2 ，卢万胜3. 中长运距城际旅客出行方式选择行为模型——以高铁、民航为例[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 39-45.
[5]	连齐才1，李涵1，石小林1，闫章存2. 基于面板数据Mixed logit模型的自动驾驶选择行为分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 46-52.
[6]	戚春华，王笑男，朱守林，李航天. 基于驾驶员视觉兴趣区域的交通工程设施信息量阈值研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 53-60.
[7]	李升朝，吴越，白雪萌，王玥，张海. 基于TOPSIS与灰色关联的危货车辆违规报警研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 61-66.
[8]	杨庆芳1,2,3，王立强2，郑黎黎1,2,3，孟凡运2. 一种环形交叉口交通排放及燃油消耗模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 67-73.
[9]	白翰，张康宇，王修光，燕翔，冯启龙. 合放交通流条件下城市交叉口通行能力研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 12-20.
[10]	张重阳,黄淑萍. 路网抗震可靠性及震后运输调度路径选择研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 43-51.
[11]	郭文文1，计明军2，祝慧灵3，周文杰2. 集装箱码头场桥调度优化模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 66-72.
[12]	李广儒，张新，朱庆辉. 基于Adaboost的改进Elman神经网络港口吞吐量预测方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 1-5.
[13]	孙元广1，茧敏2，金华2，陈绍宽2. 城市轨道交通列车故障救援延误计算与仿真[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 6-12.
[14]	王宏刚1,2，白朋1，邹庆茹2，赵玲1. 地铁车辆段股道运用优化模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 13-18.
[15]	孙延浩1,2，张琦1,2，任禹谋1,2,3，孙鹏举4. 高速铁路列车调度员应急处置能力评价研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 19-25.

城市交通碳排放预测的多模型对比分析

Comparison of Multiple Forecast Models of Urban Traffic Carbon Emissions

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics