编辑推荐：
为应对城市气候中和挑战，研究人员探索先进计算方法，发现其可优化资源管理、降低排放，意义重大。
研究背景
在全球城市化进程加速的当下，城市宛如一台巨大的 “耗能机器”，能源需求不断攀升，碳排放与日俱增。城市作为经济活动的核心区域，其能源消耗和温室气体排放占据了全球相当大的比重。为了守护地球家园，实现城市气候中和迫在眉睫，这不仅关乎城市自身的可持续发展，更是应对全球气候变化的关键一环。
以往传统的城市发展模式，在能源供应和交通系统方面存在诸多弊端。能源供应结构不合理，对化石能源依赖严重，导致大量温室气体排放；交通拥堵现象频发，不仅浪费时间和能源，还加剧了环境污染。随着城市规模的不断扩张，这些问题愈发凸显，传统的解决办法逐渐捉襟见肘。
在此背景下，先进计算技术如同一束希望之光，为解决城市气候中和难题带来了新的可能。于是，来自斯洛文尼亚 Jo?ef Stefan Institute 的研究人员踏上了探索之旅，致力于挖掘先进计算在城市能源供应和交通系统优化中的巨大潜力，期望为城市可持续发展开辟新路径。他们的研究成果发表在《Energy, Sustainability and Society》上，为全球城市应对气候变化提供了宝贵的参考。
研究方法
研究人员主要运用了机器学习（Machine Learning，ML）、深度学习（Deep Learning）等先进计算技术。在能源管理研究中，通过收集斯洛文尼亚某大型天然气分销公司 8 个季节的每小时天然气消耗数据，训练递归神经网络（Recurrent Neural Network，RNN）模型预测天然气消耗。在交通管理方面，利用来自卢布尔雅那市的交通数据集，结合天气状况和公共假期等协变量，运用 AutoGluon 框架等进行交通流预测研究。
研究结果
- 城市能源管理：通过训练 RNN 模型预测卢布尔雅那市天然气消耗，研究发现不同 RNN 架构（如简单递归网络 SRN、门控循环单元 GRU 和长短期记忆网络 LSTM）和时间变量编码方式对预测精度有显著影响。LSTM 在层数较少时表现更优，对于更深的架构，LSTM 和 GRU 性能相当，且使用周期性时间数据输入在层数较少时优势明显。与以往研究相比，此次研究中最佳模型（如 3 层 LSTM）的平均测试误差仅为最大日需求量的0.48×10?3 ，大幅提升了预测精度，为城市能源精准管理提供了有力支持。
- 城市交通管理
- 交通流预测：利用包含历史交通数据、天气数据和公共假期信息的卢布尔雅那市交通数据集，研究人员对比了随机森林、线性回归、神经网络和 AutoGluon 等模型的预测性能。结果显示，AutoGluon 模型在所有测试拆分中均提供了最准确的预测，优于其他模型。这表明 AutoML 工具在交通流预测方面具有显著优势，可作为传统 ML 模型的便捷替代方案，帮助非专业人员更高效地进行交通流预测。
- 物流优化：以 CONDUCTOR 项目为例，该项目通过机器学习和数据融合等技术，致力于开发先进的交通和车队管理系统。其提出的 “货运共乘（freight-on-transit）” 或 “乘车包裹共享（ride-parcel-pooling，RPP）” 策略，有望整合城市货物配送和按需客运服务，减少车辆平均行驶时间、总行驶距离、配送车辆数量以及运输排放，为优化城市物流、降低碳排放提供了创新思路。
- 车队管理：在电动公交车（EBs）融入车队的研究中，研究人员发现现有城市测试路线可能无法充分考验 EBs 在距离、温度和道路坡度等方面的性能。为此，他们提出了斯洛文尼亚伊德里亚的测试路线，该路线具有挑战性的斜坡路段，有助于更全面地评估和验证 EBs 新技术。同时，研究还强调了智能充电基础设施、动态路线规划以及政策法规支持对于 EBs 可持续集成的重要性，这些措施能有效提高车队运营效率，减少碳排放。
研究结论与讨论
这项研究充分证明了先进计算在实现城市气候中和目标中的关键作用。通过机器学习、深度学习和集成模型等先进计算方法，城市能够优化资源管理，提升能源利用效率，显著减少温室气体排放。在能源供应领域，精准的能源需求预测有助于城市合理规划能源分配，推动向可再生能源转型；在交通系统方面，先进的交通流预测和优化策略能够有效缓解交通拥堵，降低运输过程中的碳排放，促进城市交通的可持续发展。
然而，实现城市气候中和仍面临诸多挑战。如处理海量复杂数据的算法有待进一步优化，实时决策对高性能计算的要求更高，城市敏感数据的安全保障也至关重要。未来，需要持续研发更先进的计算解决方案，加强相关研究，以应对这些挑战。
总体而言，该研究为城市可持续发展指明了方向，为全球城市应对气候变化提供了科学依据和实践指导。它鼓励更多城市借助先进计算技术，探索适合自身的气候中和路径，共同为保护地球环境贡献力量。
