面向MaaS的多模式出行链碳足迹画像构建与低碳路径研究

本文创新性地提出基于出行即服务（MaaS）框架的多模式出行链碳足迹动态监测方法，通过融合轨迹数据与碳核算模型，首次实现个体级全链条碳排放精准画像（含减排潜力与出行结构特征），为低碳交通政策设计（如差异化激励措施）提供关键技术支撑。

　　

Highlight

城市交通已成为碳排放增长最快的领域之一，但现有研究多集中于宏观层面或单一模式，缺乏对个体多模式出行链全链条碳足迹的解析。出行即服务（MaaS）的兴起通过整合多模式出行数据与动态排放监测，为填补这一空白提供了新机遇。

Multimodal travel data monitoring framework on the MaaS platform

MaaS平台的多模式出行数据监测框架通常包含五层架构：数据源层（采集原始交通数据）、基础设施即服务（IaaS）层（提供计算存储资源）、平台即服务（PaaS）层（开发环境支持）、软件即服务（SaaS）层（面向用户的功能服务）以及应用层（用户交互界面）。该框架打破传统数据孤岛，实现个体出行链级别全链条数据整合。

Data description and parameter setting

由于缺乏真实MaaS平台数据，本研究采用微软亚洲研究院Geolife项目的多模式轨迹数据模拟MaaS环境。数据集包含182名志愿者在2007-2012年间的GPS轨迹，其中60人标注了出行模式（步行、骑行、驾驶、公交、地铁）。通过数据清洗与重构，最终生成1865条北京地区的出行链用于碳足迹分析。

Conclusions

本研究构建的MaaS框架下多模式出行链碳足迹画像方法，成功实现了三大突破：一是建立基于动态分段数据融合的精细碳排放核算模型；二是通过聚类算法识别出8类典型碳足迹画像（含3类低碳模式）；三是证实小汽车主导出行链碳排放最高，而公交、地铁及主动出行模式减排效果显著。该成果为个性化低碳出行激励政策设计提供了量化依据。