创新优化算法赋能电动汽车 CO2排放精准预测，助力可持续交通发展

为解决电动汽车（EV）CO2排放预测问题，研究人员开展了将灰雁优化（GGO）算法与多层感知器（MLP）模型结合的研究。结果显示，GGO - MLP 模型预测精度高，能有效助力环境政策制定和可持续交通发展。

　　在全球积极推进可持续发展的大背景下，二氧化碳（CO₂）排放问题日益成为焦点。CO₂作为主要的温室气体，正加剧全球变暖，严重影响气候稳定。其中，交通领域是 CO₂排放的 “大户”，传统内燃机（ICE）汽车尾气排放是重要来源。为了应对这一挑战，电动汽车（EV）凭借其几乎零直接 CO₂排放的优势，逐渐走进人们的视野，成为推动交通领域低碳转型的关键力量。

然而，电动汽车并非完全没有 CO₂排放，其充电所依赖的能源来源会间接产生 CO₂排放。比如，若使用煤炭、天然气等化石燃料发电来充电，排放并不低；而利用风能、太阳能等可再生能源充电，排放则相对较低。这就使得准确预测电动汽车的 CO₂排放变得至关重要。一方面，准确预测能帮助政策制定者制定更有效的减排策略，合理规划充电基础设施，推动可再生能源在电动汽车充电领域的应用；另一方面，也能为汽车行业提供数据支持，助力其优化电动汽车设计和充电系统。但目前在这一领域，还存在诸多难题。现有研究对电动汽车间接排放的复杂性认识不足，机器学习模型在预测时，其性能受超参数调整的影响很大，而传统优化算法在平衡探索和利用方面存在缺陷，导致预测精度难以满足实际需求。

在此背景下，来自埃及曼苏拉大学工程学院计算机工程与控制系统系以及三角洲高等工程技术学院通信与电子系的研究人员 Ahmed El - Sayed Saqr、Mohamed S. Saraya 和 El - Sayed M. El - Kenawy 开展了一项重要研究。他们将灰雁优化（GGO）算法与多层感知器（MLP）模型相结合，旨在提高电动汽车 CO₂排放的预测精度。该研究成果发表在《Scientific Reports》上，为解决电动汽车 CO₂排放预测问题提供了新的思路和方法，对推动可持续交通发展意义重大。

研究人员在这项研究中运用了多种关键技术方法。首先，他们收集了 2000 - 2022 年加拿大新轻型车辆（LDVs）的燃油经济性和预计 CO₂排放数据，这些数据涵盖了丰富的车辆信息，如不同的燃料类型、传动类型、发动机特征等。然后，对数据进行全面预处理，包括处理缺失值、标准化连续变量、编码分类变量等，以提升数据质量，使其更适合模型分析。接着，构建并比较了多种机器学习模型，如 MLPRegressor、DecisionTreeRegressor、K - Nearest Neighbors Regressor（KNN）、RandomForestRegressor 和 Support Vector Regressor（SVR），并利用 GGO 等多种元启发式优化算法对 MLP 模型的超参数进行优化。最后，通过一系列评估指标，如均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）、皮尔逊相关系数（r）、决定系数（R²）等，对模型性能进行评估。

研究结果

1. 基线模型评估：研究人员对五个基本回归模型进行评估，结果显示 MLPRegressor 在预测 CO₂排放方面表现出色，其 MSE 为 0.0036，RMSE 为 0.0191，r 值较高且 R²接近 1，表明该模型能较好地捕捉预测值与实际值之间的关系，计算时间约为 5 秒，在准确性和计算速度上达到了较好的平衡。DecisionTreeRegressor 和 KNN 模型也有不错的表现，但在某些指标上不如 MLPRegressor。而 RandomForestRegressor 和 SVR 模型则表现出较高的误差率和较低的相关性系数，不太适合该数据集。
2. MLP 模型优化：利用多种元启发式优化算法对 MLP 模型进行优化后发现，GGO - MLP 模型在所有算法中表现最佳，其 MSE 低至 4.72×10^-7，RMSE 为 2.48×10^-7，相关系数 r 达到 0.9978，R²为 0.9959，且计算时间仅为 0.165 秒。BER - MLP 和 GWO - MLP 也取得了较好的结果，但在某些指标上稍逊于 GGO - MLP。WOA - MLP 和 SFS - MLP 虽然降低了误差率，但计算时间较长，不太适用于对时间敏感的应用场景。
3. 优化模型分析：通过描述性统计、统计可视化和统计检验等方法对优化后的 MLP 模型进行综合分析。结果表明，GGO - MLP 模型在所有统计指标上表现卓越，其均值 MSE 最低，标准差和标准误差也最小，说明该模型准确性高且稳定性好。ANOVA 测试和单样本 t - 检验结果进一步验证了 GGO - MLP 模型的优越性，证明其预测准确性的提升并非偶然，而是具有统计学意义。
4. 敏感性分析：通过单因素敏感性分析（OAT）评估 GGO 算法中单个参数变化对优化性能的影响。结果发现，参数 r₁和 r₂的增加会增强探索性，但也会延长收敛时间；w₁和 w₂主要影响局部优化。这表明在使用 GGO 算法时，需要谨慎平衡探索和利用，以确保算法高效收敛。

研究结论与讨论

这项研究成功地将 GGO 算法与 MLP 模型相结合，显著提高了电动汽车 CO₂排放的预测精度。GGO - MLP 模型在与其他基线模型和优化技术的比较中脱颖而出，展现出最低的误差指标和最快的收敛速度，为环境建模和可持续交通策略的制定提供了有力支持。

研究还发现，电动汽车的 CO₂排放与充电能源来源密切相关。在煤炭主导的能源区域，电动汽车的排放影响明显高于可再生能源主导的区域。这一发现强调了区域政策制定时，应着重推动电动汽车充电基础设施向清洁能源转型，同时将实时能源数据集成到预测模型中，以提高排放预测的准确性，实现动态政策调整。

不过，该研究也存在一定的局限性。数据集主要来自加拿大 2000 - 2022 年的车辆数据，地理和时间上具有局限性，可能无法直接应用于其他地区和未来的车辆技术。此外，模型主要考虑了车辆特性和能源来源，未充分考虑交通拥堵、天气条件和驾驶员行为等因素。未来研究可以通过扩大数据集范围，纳入更多影响因素，进一步提升模型的预测能力。同时，研究人员还可以探索 GGO 与其他先进优化技术的结合，开发多目标优化技术，以更好地平衡模型的准确性、计算效率和复杂性。

总体而言，这项研究为电动汽车 CO₂排放预测提供了创新的方法，推动了可持续交通领域的发展。未来，随着研究的不断深入和技术的持续创新，有望进一步完善排放预测模型，为全球应对气候变化、实现可持续发展目标提供更坚实的支持。