基于因果人工智能的公交系统碳效率评估：政策干预影响机制解析

本研究创新性地提出因果人工智能（Causal AI）框架，通过条件减排指数（CRI）和平均减排指数（ARI）量化政策干预对公交车单位乘客公里二氧化碳排放量（BEP）的因果效应。基于7000万次公交出行数据，实现了多尺度碳效率评估，为低碳公交系统优化提供透明可解释的决策支持。

　　

亮点

本研究开创性地应用因果人工智能（Causal AI）模型评估现实环境中干预措施对公交系统可持续性效率的影响，超越了传统基于相关性的AI模型和模拟方法。提出两个因果指标——ARI（平均减排指数）和CRI（条件减排指数）：ARI评估系统级干预效果，CRI捕捉不同运营条件下碳效率改善的相对速率。这些结果凸显了因果人工智能在推动证据导向交通政策方面的潜力。

实施

提出的CACE（因果人工智能驱动的公交系统碳效率分析）框架通过以下方式有效支持城市公交系统的可持续运营：

• •
  因果人工智能驱动的交通资源优化：有效的政策实施需要全面评估交通干预措施的权衡和潜在意外后果。例如，扩大公交专用道网络可能显著提高公共交通的碳效率，但也会减少其他车辆的道路容量...

结论与未来工作

本研究开创性地应用因果人工智能（Causal AI）驱动模型评估现实环境中干预措施对公交系统可持续性效率的影响，超越了传统基于相关性的AI模型和模拟方法。提出两个因果指标——ARI和CRI：ARI评估系统级干预有效性，CRI捕捉不同运营条件下碳效率改善的相对速率。这些结果强调了因果人工智能推动证据导向交通政策的潜力，为未来智能低碳交通系统研究指明方向。