基于卷积神经网络的交通运输业碳排放预测研究

Transportation Carbon Emission Prediction Based on Convolutional Neural Network

摘要

交通运输业作为碳排放主要来源之一，其低碳发展对于我国双碳目标的实现具有重要现实意义。研究基于拓展的STIRPAT模型，从人口规模、经济水平、技术水平、交通运输水平以及绿化水平5个维度选取交通运输业碳排放影响因素，根据1997—2019年碳排放量及影响因素数据建立卷积神经网络碳排放预测模型。在此基础上，设置低碳、基准和高碳3种不同情景对京津沪渝的交通运输业碳排放情况进行预测分析。结果表明：在基准情景和低碳情景下，京津沪渝均表现出明显的“波动上升—达峰—缓慢下降”的趋势；而在高碳情景下，京津沪渝则表现出明显持续增长趋势，同时低碳情景下京津沪渝交通运输业碳达峰时间多早于2030年，且峰值明显低于基准情景和高碳情景的碳排放量值，更加符合交通运输业的低碳发展理念。

Abstract

As one of the main sources of carbon emission, the low-carbon development of the transportation industry is of great practical significance for realizing China's double carbon goal. Based on the extended STIRPAT model, this paper selected the influencing factors of the transportation industry from five dimensions: population size, economic level, technology level, transportation level, and greening level. Then, according to the data of carbon emissions and influencing factors from 1997 to 2019, the paper built a convolutional neural network carbon emission prediction model. On this basis, the carbon emissions of the transportation industry in four municipalities were predicted under three different scenarios of low-carbon, baseline, and high-carbon. The results show that under the baseline scenario and the low-carbon scenario, the four municipalities all show an obvious trend of "fluctuation rising-peak-slow decline". However, under the high-carbon scenario, the four municipalities show a clear trend of continuous growth. Under the low-carbon scenario, the carbon peak time of the transportation industry of the four municipalities is earlier than 2030, and the peak value is significantly lower than that of the other two scenarios, which is more in line with the low-carbon development concept of the transportation industry.

Graphical abstract

关键词

卷积神经网络 / 交通运输业 / STIRPAT模型 / 影响因素 / 碳排放预测

Key words

Convolutional Neural Network / Transportation Industry / STIRPAT Model / Influencing Factors / Carbon Emission Prediction

0　引言

随着城镇化进程不断加快，我国综合交通运输体系不断完善，运输服务能力和水平大幅提升。目前，交通运输仍以化石燃料为主要动力，大量化石燃料的使用导致碳排放量不断激增。分行业来看，交通运输业是仅次于工业、建筑业的第三大排放源^[1]，其碳排放量约占全国总排放量的10%左右^[2]，且比例持续上升，我国交通领域碳减排面临较大挑战。

近年来，国内外学者围绕碳排放预测问题展开大量研究。从研究方法来看，大致可分为3类：①环境压力控制模型IPAT及可拓展的随机性的环境影响评估模型(Stochastic Impacts by Regression on Population，Affluence and Technology，STIRPAT)直接对交通碳排放进行预测，朱宇恩等^[3]利用IPAT模型对山西省能源碳排放量及峰值年进行预测；胡茂峰等^[4]基于STIRPAT模型对湖北省碳排放情况进行预测。但IPAT模型反映的是碳排放量与影响因素之间单调的线性关系，而STIRPAT模型能够反映碳排放与影响因素间的非线性关系，应用更为灵活广泛。②统计理论预测模型，主要有回归分析法和灰色预测法等。卞利花等^[5]利用回归分析法研究青海省碳排放情况；Qiao等^[6]通过离散灰色预测模型对亚太经合组织成员国的二氧化碳排放进行预测。但是，这类预测模型要求历史数据具有一定的平稳性，对长时间序列数据和非线性数据预测存在一定局限性。③神经网络预测模型，其中反向传播神经网络、长短期记忆网络(Long Short-Term Memory Network，LSTM)等算法应用较多。Lu等^[7]采用反向神经网络算法对2017—2035年重化工行业的碳排放情况进行预测；Huang等^[8]和刘淳森等^[9]建立LSTM模型预测碳排放量，且LSTM模型表现出较高的精度。该类方法能较好地处理复杂时空序列下的碳排放预测任务。

综上，在预测问题中，神经网络模型表现出良好的性能。随着机器学习的不断深入，卷积神经网络(Convolutional Neural Networks，CNN)的应用已不局限于图像识别领域，现已广泛应用于预测交通客流量^[10]等方面，但鲜有学者将CNN模型应用在碳排放预测问题。基于此，结合碳排放的数据特性，构建基于卷积神经网络CNN的交通运输业碳排放预测模型，并以北京、天津、上海、重庆4个直辖市为例，结合情景分析的方法展开预测研究，预测各直辖市碳排放量和碳达峰时间，以期为实现交通领域的双碳目标提供理论依据。

1　交通碳排放预测模型

1.1　交通碳排放影响因素的确定

研究引入IPAT模型探究交通碳排放的影响因素。IPAT模型将地区生态环境的影响归因于人口规模、经济水平以及特定的技术水平，同时二氧化碳排放量经常被视为评价环境影响I的重要指标之一^[11]。其表达式为

I=P\times A\times T⑴

式中：I为环境影响，研究中为交通碳排放量；P为人口规模；A为经济水平；T为技术水平。

学者York等在IPAT模型的基础上，引入指数，使模型变成一个多变量的非线性模型^[12]，能够分析各个因素变动对环境产生的影响，同时还可消除同比例变动的影响，其表达式为

I=a{P}^b{A}^c{T}^{d}e⑵

式中：a为模型系数；b、c和d分别为人口规模、经济水平和技术水平指数；e为误差项。

除了人口规模、经济水平、技术水平外，交通碳排放还受运输能力^[13]以及绿化因素的影响。随着交通运输业的快速发展，旅客周转量、货物周转量快速增长，直接影响交通运输业碳排放。社会系统中的城市绿地生态系统是城市中重要的自然碳汇，其减碳释氧的作用日益突出，因此将建成区绿化覆盖率作为分析交通碳排放的绿化因素指标。交通碳排放影响因素指标如表1所示。

1.2　CNN交通碳排放预测模型构建

卷积神经网络是深度学习领域中一种包含卷积运算且具有深度结构的前馈神经网络，具有较强的处理复杂非线性问题的能力，卷积核上参数共享的特点能减少训练的权值个数，降低模型的复杂度，在多维序列的提取特征方面展现出优良性能^[14]。研究通过构造出一个多输入、单输出的CNN碳排放预测模型来反映交通碳排放与影响因素之间的关系，该模型主要是由输入层、卷积层、池化层、Dropout层、全连接层和输出层构成的。CNN碳排放预测模型结构图如图1所示。

交通碳排放CNN预测模型基本步骤如下。

步骤1：设置输入层，输入数据样本。本研究数据范围是1997—2019年，将交通碳排放量及影响因素数据作为输入数据。因此，输入数据维度为23×12，即X_{tn}=\left[\begin{array}{cc}\begin{array}{ccc}{X}_{\mathrm{1}}& X_{\mathrm{2}}& \dots \end{array}& X_n\end{array}\right]，其中X₁，X₂，…，X_n 分别代表年份、人口数量、城镇化率等一系列影响因素数据。CNN输入层数据结构如图2所示。

步骤2：设置卷积层，通过卷积运算提取数据特征。利用设定好的卷积核在数据上不断滑动，卷积核与对应的感受野进行相应因素相乘再加和，如公式(3)所示，不断重复操作直到不能再继续滑动为止，来实现数据特征的提取，并通过激活函数进行激活。

C=f(X\otimes W_c+b_c)⑶

式中：C为卷积的输出；f为激活函数；X为卷积的输入；W_c 为权重矩阵；b_c 为偏置量；\otimes为卷积操作。

步骤3：进入池化层，对卷积层提取出的特征进行挑选。在卷积层的输出中，选取特定区域中的最大值来实现最大池化的操作。目的是提取碳排放影响因素中的显著特征并最大程度地保留更多的信息。最大池化的方式如公式(4)所示。

P=maxpooling(C)⑷

式中：P为池化层的输出；C为池化层的输入；maxpooling(C)为池化函数。

步骤4：添加Dropout层，防止模型过拟合。在CNN网络中添加Dropout层，并按照一定的丢弃概率随机舍弃部分神经元的连接。若Dropout取值较大，很容易将一些携带关键值的重要神经元被“丢弃”，进而弱化模型的泛化能力。参考Fei等^[15，16]的研究成果，将Dropout的概率设为0.2。

步骤5：设置全连接层，对数据特征进行整合。全连接层将得到的所有特征矩阵转化成一维的特征大向量，实现数据特征的提取与整合。

步骤6：最后输出预测值。研究将预测值与历史真实值进行对比，选取4个评价指标检验模型精度。

（1）可决系数R²是用来衡量一个模型的拟合优度的重要指标，反映多个自变量对因变量的影响程度。其中R²\in \left[\mathrm{0,1}\right]，且越接近1，表明模型的拟合优度越好。可决系数R^{\mathrm{2}}计算公式如下。

R^{\mathrm{2}}=\frac{{\sum }_i{\left(y_i-{\widehat{y}}_i\right)}^{\mathrm{2}}}{{\sum }_i{\left(y_i-{\overline{y}}_i\right)}^{\mathrm{2}}}⑸

式中：y_i为样本真实值；{\widehat{y}}_i为样本预测值；{\overline{y}}_i为样本均值；n为样本个数。

（2）平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)是相对误差度量值，它使用绝对值来避免正误差和负误差相互抵消，能很好地反映各预测结果误差的实际情况。MAPE\in \left.\left[\mathrm{0},+\mathrm{\infty }\right.\right)，MAPE为0%表示完美模型，MAPE大于100%则表示劣质模型。MAPE的值越小，说明预测模型拥有更好的精确度。MAPE计算公式如下。

MAPE=\frac{\mathrm{100}\mathrm{\%}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}\left|\frac{y_i-{\widehat{y}}_i}{y_i}\right|⑹

（3）均方根误差(Root Mean Squared Error，RMSE)也称标准误差，可以反映一个数据集整体的离散程度。RMSE\in \left.\left[\mathrm{0},+\mathrm{\infty }\right.\right)，当预测值与历史真实值完全吻合时等于0，即完美模型，误差越大，该值越大。RMSE计算公式如下。

RMSE=\sqrt[]{\frac{\mathrm{1}}{n}\sum _i{\left(y{}_i{}^{}-{\widehat{y}}_i\right)}^{\mathrm{2}}}⑺

（4）相对误差\delta：测量值与真实值之差的绝对值所占真实值的百分比，它是一个无量纲的值，其值越小代表模型精度越高。相对误差\delta计算公式如下。

\delta =\frac{\left|y_i-{\widehat{y}}_i\right|}{y_i}\times \mathrm{100}\mathrm{\%}⑻

2　案例分析

选取北京、天津、上海、重庆作为研究样本，原因在于：①交通碳排放量大增速快。根据中国碳核算数据库可知，2015—2019年间，京津沪渝交通运输业碳排放总量约占全国交通碳排放总量的14%，年均增长率保持在4.13%，减碳任务迫在眉睫。②低碳试点城市。4个直辖市先后被国家发展和改革委员会列入低碳试点城市，其减碳方案的有效性，对于其他城市的减碳工作具有示范作用。③城市属性。京津沪渝作为直辖市，是国家中心城市，是经济活动和资源配置的枢纽，对其他城市发展起到了领头羊的作用，其交通运输业碳达峰目标的实现，对于我国全面推进双碳进程具有现实意义。因此，选择4个直辖市作为研究对象。案例中碳排放量数据来自中国碳核算数据库(www.ceads.net.cn)，影响因素数据来自《北京统计年鉴》《天津统计年鉴》《上海统计年鉴》《重庆统计年鉴》。

2.1　交通碳排放预测模型精度检验

研究利用历史交通碳排放量和影响因素数据进行精度检验。将京津沪渝1997—2019年的交通碳排放总量及影响因素指标作为输入数据，前16年数据划分为训练集，后7年数据划分为测试集。将数据看作10×1×1的图片，采用激活函数Relu和最大池化方式，优化器为adam，迭代次数为1 500次，设置初始学习率为0.02，对模型的超参数进行反复地试验、调整。

根据公式⑸—⑺用可决系数R²、平均绝对百分比误差MAPE和均方根误差RMSE对CNN交通碳排放预测模型的精度进行评价，CNN交通碳排放预测模型评价指标如表2所示。京津沪渝4个城市的预测模型可决系数R²均大于0.94，表明模型中解释变量对被解释变量的变差的解释程度较高；且模型RMSE和MAPE的值较小，表明预测值和真实值之间的差距小，证明该CNN预测模型具有良好的拟合和预测效果。同时根据公式⑻进行误差分析，CNN碳排放预测模型误差分析如表3所示，预测值与真实值之间的误差\delta \le \mathrm{0.10}，直观地反映出该预测模型具有较好的预测精度。因此，该预测模型具有较高的精度水平，能够被用于后续预测工作。

2.2　交通碳排放预测结果分析

2.2.1　情景设置

情景分析是在假设某一特定可能性或某一种变化情况将维持到以后的基础上，对预测主体有可能产生的结果或出现的情景做出预估的方式。研究用情景分析法对京津沪渝的交通运输碳排放情况进行预测分析。结合碳减排相关政策，设置三种碳排放情景：低碳情景、基准情景和高碳情景。不同情景下各影响因素增长率设定如表4所示。

（1）基准情景：延续当前交通运输业发展趋势，对人口数量、经济水平等影响因素的历史情况进行分析，并以此为基础设置各影响因素增长率。人口数量、城镇化率、人均GDP及建成区绿化覆盖率主要依据《国民经济和社会发展第十四个五年规划和2035年远景目标纲要》等相关资料设置各自增长率。其他影响因素的增长率则依据近五年的年均增长率r=\sqrt[\mathrm{5}]{B/A}-\mathrm{1}，其中A为2014年对应影响因素的值，B为2019年对应影响因素的值。

（2）低碳情景：为尽早实现交通运输业双碳目标，采取低碳发展模式，基于科研资金的大力投入，提升能源利用率，优化用能结构；加大基础设施建设，优化交通环境，技术水平和绿化水平较基准情景均有提升。

（3）高碳情景。该情景下主要以经济增长为目标，低碳环保问题的关注度不高，较少考虑交通运输结构和运输方式等问题，人口规模、经济水平和交通运输水平的增速均高于基准情景。

2.2.2　预测结果

根据研究设定的不同情景，对京津沪渝2020—2035年交通运输碳排放量进行预测。京津沪渝交通运输业碳排放变化趋势预测结果如图3所示，京津沪渝交通运输业碳排放量预测结果如表5所示。

就碳排放变化趋势，在基准情景和低碳情景下，京津沪渝均表现出明显的“波动上升—达峰—缓慢下降”的趋势；而在高碳情景下，京津沪渝则表现出明显持续增长趋势，未能实现2030年碳达峰的目标。具体分析如下。

（1）基准情景。若按照目前趋势继续发展，京津沪渝交通运输业均能在2030年及以前实现碳达峰。这得益于这些低碳试点城市在产业转型、能源转型方面取得的积极成效，足以见得我国选取低碳试点城市的做法是切实可行的。然而，此情景下天津的达峰年份最早，北京和上海能在2029年实现碳达峰，重庆则在2030年实现碳达峰，为了确保如期完成整个社会的双碳目标，此情景下的交通运输业发展模式有待进一步改进。

（2）低碳情景。北京、天津、上海和重庆均早于2030年实现交通运输业的碳达峰，且峰值明显低于基准情景下的峰值，其中上海交通运输业碳排放峰值较基准情景减少最多，约19.3%。达峰后，京津沪渝的累计碳排放量均呈现出负增长的趋势，表明抑碳因素的效果远大于增碳因素导致的碳排放增加值，即交通技术水平的提高、城市绿地生态系统的优化在减碳方面发挥巨大作用。因此，在低碳情景下，人居环境明显改善，绿化水平的提升，清洁能源被大力推广，更容易实现低碳交通的目标，符合国家实行低碳试点城市的初衷。

（3）高碳情景。在追求经济高速发展的前提下，京津沪渝均未能实现2030年碳达峰的目标。其中北京和上海的交通运输业碳排放量在研究期范围内持续上升，天津交通运输业碳排放量则在2031年出现拐点，其峰值约为基准峰值的1.42倍。重庆于2033年出现碳排放拐点，其峰值约为基准峰值的1.16倍。究其原因发现，此情景下旅客周转量、货物周转量明显增大，交通运输业对能源的需求量也将随之加大，从而严重阻碍了交通运输领域碳达峰目标的实现。

3　结束语

研究基于STIRPAT模型从5个维度选取交通运输业碳排放影响因素，利用CNN构建交通运输业碳排放预测模型，设置基准、低碳和高碳三种情景，对2020—2035年的交通运输业碳排放变化趋势进行预测，主要有以下结论。

（1）利用CNN构建交通碳排放预测模型，充分验证了卷积神经网络具有良好的特征提取能力，其模型精度高达94%以上，表明该模型具有较强的泛化能力，普适性较高。

（2）从不同情景来看，相较于基准情景和高碳情景而言，低碳情景更有利于实现交通运输业的碳达峰目标，且该情景下京津沪渝交通运输业碳排放量达峰时间均早于2030年，符合低碳试点城市尽早实现碳达峰的要求。从碳达峰峰值来看，低碳情景相较于基准情景和高碳情景的碳达峰峰值明显偏低，符合交通运输业低碳发展的理念。

本研究仍存在一定局限性，不同学者对于交通碳排放影响因素指标的选取以及预测模型的确定不尽相同，导致碳达峰时间和峰值问题上的结论存在一定出入。因此，后续研究将聚焦于交通运输业碳排放影响因素的完善及碳排放预测方法的优化。

参考文献

[1] 刘慧甜，胡大伟.基于机器学习的交通碳排放预测模型构建与分析[J/OL].环境科学，2023：1-17[2024-01-09].

[2] LIU Huitian， HU Dawei.Construction and Analysis of Machine Learning Based Transportation Carbon Emission Prediction Model[J].Environmental Science，2023：1-17[2024-01-09].

[3] 李艳丽，王金盐，孙 毅.双碳目标下京津冀城域货运交通结构优化研究[J].铁道运输与经济，2023，45(3)：158-164.

[4] LI Yanli， WANG Jinyan， SUN Yi.Optimization of Urban Freight Transport Structure in Beijing-Tianjin-Hebei Region under Goals of Carbon Peak and Carbon Neutrality[J].Railway Transport and Economy，2023，45(3)：158-164.

[5] 朱宇恩，李丽芬，贺思思，等.基于IPAT模型和情景分析法的山西省碳排放峰值年预测[J].资源科学，2016，38(12)：2316-2325.

[6] ZHU Yuen， LI Lifen， HE Sisi，et al.Peak Year Prediction of Shanxi Province's Crbon Emissions Based on IPAT Modeling and Scenario Analysis[J].Resources Science，2016，38(12)：2316-2325.

[7] 胡茂峰，郑义彬，李宇涵.多情景下湖北省交通运输碳排放峰值预测研究[J].环境科学学报，2022，42(4)：464-472.

[8] HU Maofeng， ZHENG Yibin， LI Yuhan.Forecasting of Transport Carbon Emission Peak in Hubei Province under Multiple Scenarios[J].Acta Scientiae Circumstantiae，2022，42(4)：464-472.

[9] 卞利花，吉敏全.青海交通碳排放影响因素及预测研究[J].生态经济，2019，35(2)：35-39，100.

[10] BIAN Lihua， JI Minquan.Research on Influencing Factors and Prediction of Transportation Carbon Emissions in Qinghai[J].Ecological Economy，2019，35(2)：35-39，100.

[11] QIAO Z R， MENG X M， WU L F.Forecasting Carbon Dioxide Emissions in APEC Member Countries by a New Cumulative Grey Model[J].Ecological Indicators，2021，125：107593.

[12] LU C， LI W， GAO S B.Driving Determinants and Prospective Prediction Simulations on Carbon Emissions Peak for China's Heavy Chemical Industry[J].Journal of Cleaner Production，2020，251：119642.

[13] HUANG Y S， SHEN L， LIU H.Grey Relational Analysis，Principal Component Analysis and Forecasting of Carbon Emissions Based on Long Short-Term Memory in China[J].Journal of Cleaner Production，2019，209：415-423.

[14] 刘淳森，曲建升，葛钰洁，等.基于LSTM模型的中国交通运输业碳排放预测[J].中国环境科学，2023，43(5)：2574-2582.

[15] LIU Chunsen， QU Jiansheng， GE Yujie，et al.LSTM Model-Based Prediction of Carbon Emissions from China's Transportation Sector[J].China Environmental Science，2023，43(5)：2574-2582.

[16] 赵建立，石敬诗，孙秋霞，等.基于混合深度学习的地铁站进出客流量短时预测[J].交通运输系统工程与信息，2020，20(5)：128-134.

[17] ZHAO Jianli， SHI Jingshi， SUN Qiuxia，et al.Short-Time Inflow and Outflow Prediction of Metro Stations Based on Hybrid Deep Learning[J].Journal of Transportation Systems Engineering and Information Technology，2020，20(5)：128-134.

[18] WU Y， SHEN L Y， ZHANG Y，et al.A New Panel for Analyzing the Impact Factors on Carbon Emission： A Regional Perspective in China[J].Ecological Indicators，2019(97)：260-268.

[19] YORK R， ROSA E A， DIETZ T.STIRPAT，IPAT and ImPACT：Analytic Tools for Unpacking the Driving Forces of Environmental Impacts[J].Ecological Economics，2003，46(3)：351-365.

[20] 戢晓峰，白淑敏，陈 方，等.效率视角下省域交通碳排放配额分配研究[J].干旱区资源与环境，2022，36(4)：1-7.

[21] JI Xiaofeng， BAI Shumin， CHEN Fang，et al.Allocation of Provincial Transportation Carbon Emission Quota from the Perspective of Efficiency[J].Journal of Arid Land Resources and Environment，2022，36(4)：1-7.

[22] 任 冲，文琰杰，许旺土.基于高速铁路成本画像的定价预测模型研究[J].铁道运输与经济，2023，45(3)：121-128.

[23] REN Chong， WEN Yanjie， XU Wangtu.Study on Pricing Prediction Model Based on High Speed Railway Cost Portrait[J].Railway Transport and Economy，2023，45(3)：121-128.

[24] FEI X H， LAI Z F， FANG Y， LING Q.A Dual Attention-based Fusion Network for Long and Short-term Multivariate Vehicle Exhaust Emission Prediction[J].Science of The Total Environment，2023，860：160490.

[25] 黄 婕，张 丰，杜震洪，等.基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测[J].浙江大学学报(理学版)，2019，46(3)：370-379.

[26] HUANG Jie， ZHANG Feng， DU Zhenhong，et al.Hourly Concentration Prediction of PM2.5 Based on RNN-CNN Ensemble Deep Learning Model[J].Journal of Zhejiang University(Science Edition)，2019，46(3)：370-379.

基金资助

重庆市教委人文社会科学研究项目(23SKGH137)