基于机器学习的道路移动源减污降碳路径研究
彭林1
董佳奇1
杨世杰1
闫雨龙1
吕昕1
于雪巍1
越柯1
李俊杰1
王冰2
1.北京交通大学环境学院智能交通绿色低碳技术教育部工程研究中心,北京 1000442.北京交通大学环境学院智能交通绿色低碳技术教育部工程研究中心,北京 100044;北京交通大学经济管理学院,北京 100044
摘要：针对当前我国道路移动源污染物与碳排放特征时空异质、模式多样化所带来的精准治理挑战,通过机器学习方法构建道路移动源污染物与碳排放特征、驱动因素及减排路径研究框架.首先,集成多源数据信息构建交通-碳-环境数据集,分析道路移动源污染物与碳排放的时空分布特征;然后,建立多元知识约束的非负矩阵分解模型,识别污染物与碳排放模式及其驱动因素;最后,建立多模式集成的多元线性回归模型,分析有效的减污降碳路径.研究结果表明:近年来道路移动源排放颗粒物呈减少趋势,碳排放持续增长,且NOx、CO和VOCs排放仍显著;目前我国道路移动源污碳排放存在3种主要模式,碳-颗粒物减排模式分布在边境和沿海,受公路客运、货运及公路行驶里程影响(37.2%),污染物减排模式分布在北京市、天津市、广东省等,受交通生产总值影响(30.1%),碳-氮氧化物污染模式分布在中西部,受铁路及其电气化、小型运输载具等多因素影响(23.6%);通过分析减排路径可知,加快交通运输行业经济发展对减排最显著,至多使CO2与NOx减排6.7%和4.5%,加快交通能源结构调整、减少公路货运及行驶里程、发展"公转铁"及铁路电气化对减排也较为显著.所提出的研究框架为"双碳"背景下道路移动源减污降碳提供定量评估和策略支持.
关键词：机器学习道路移动源污染物与碳驱动因素减排路径
分类号：X51(大气污染及其防治)
论文发表日期：2025-10-30
在线出版日期：2025-11-06（本平台首次上网日期，不代表文献的发表时间）
页数：13( 132-144 )
英文信息