原文传递
基于机器学习的网约车合乘出行碳减排状态预测
| 题名： | 基于机器学习的网约车合乘出行碳减排状态预测 |
| 作者： | 李文翔;李媛媛;刘好德;宜毛毛;韩印 |
| 作者单位： | 上海理工大学;管理学院;交通运输部科学研究院;城市公共交通智能化交通运输行业重点实验室 |
| 关键词： | 城市交通;碳减排预测;机器学习;合乘出行;网约车 |
| 摘要： | 网约车合乘出行可有效提高车辆运输效率，与常规网约车出行相比具有显著的碳减排潜力。然而，现实中网约车合乘出行能否真正减少碳排放受多方面因素影响，往往存在较大差异与不确定性。为识别碳减排潜力较大的网约车合乘订单，提出一种基于机器学习的网约车合乘出行碳减排状态预测模型，并解析其碳减排机理。首先，基于成都市真实的网约车合乘订单与轨迹数据，应用COPERT（COmputer Program to calculate Emissions from Road Transport）排放模型分别计算合乘出行碳排放量及其替代的独乘出行碳排放量，进而得到合乘出行相比独乘出行的碳减排量。然后，基于历史的合乘行程碳减排及其订单特征数据，训练XGBoost（eXtreme GradientBoosting）模型以预测未来潜在合乘出行的碳减排状态。最后，采用ALE（Accumulated LocalEffects）分析方法对预测模型进行特征变量解析，以识别影响合乘出行碳减排状态的关键因素。结果显示：研究区域内平均每次网约车合乘出行可减少碳排放307.23 g，但仍有15%的网约车合乘行程未能实现减碳；XGBoost模型可以有效预测网约车合乘出行的碳减排状态，并识别出绕路率、合乘数、重叠率是决定网约车合乘出行碳减排状态的三大关键指标。研究结论可为网约车平台优化合乘订单匹配算法提供理论依据，以实现更高效、更低碳的合乘出行，进一步提高网约车合乘的环境效益。 |
| 期刊名称： | 交通运输系统工程与信息 |
| 出版年： | 2023 |
| 期： | 01 |
| 页码： | 254-264 |
检索历史
应用推荐
