基于智能技术的交通系统能源需求预测

《Egyptian Informatics Journal》:Prediction of transportation systems energy demand using intelligent techniques

【字体: 大 中 小 】 时间:2026年02月11日 来源:Egyptian Informatics Journal 4.2

编辑推荐:

  能源节约和降低能耗是全球各国面临的一项重大挑战。通过利用不同的机器学习 (ML) 模型,如堆叠集成机器学习 (SEML) 和人工神经网络 (ANN) 算法,本文旨在开发机器学习模型来预测不同国家的交通运输能源需求 (TED)。另一个主要目标是识别最显著的特征,

  
能源节约和降低能耗是全球各国面临的一项重大挑战。通过利用不同的机器学习 (ML) 模型,如堆叠集成机器学习 (SEML) 和人工神经网络 (ANN) 算法,本文旨在开发机器学习模型来预测不同国家的交通运输能源需求 (TED)。另一个主要目标是识别最显著的特征,这些特征可能有助于预测此类信息。与以往集中于特定国家的研究不同,所提出的框架普遍适用于许多国家。使用从经济合作与发展组织 (OECD) 获得的基准数据集进行了大量实验,以利用2000年至2020年的可用历史数据预测14个国家的TED。结果显示,在使用最显著特征列表时,SEML模型表现更好,R2为0.9963。此外,基于土耳其最近研究对2040年数据的预测,本研究使用所提出的通用框架展示了土耳其TED的未来预测。研究人员估计,到2040年,TED将达到约4100万吨油当量 (MTOE)。
交通系统是城市发展的基础,也是能耗最高的部门之一。随着能源价格攀升和环境退化加剧,各国面临严峻的能源保护挑战。以往针对交通运输能源需求 (TED) 的预测研究多局限于单一国家,所构建的模型往往受限于当地的特定经济与交通特征,缺乏跨国适用性。为解决模型泛化能力不足的问题,研究人员开展了一项旨在开发通用预测框架的研究。该研究利用来自经济合作与发展组织 (OECD) 等14个国家的数据构建了跨国预测模型,不仅提高了模型在全球范围内的适用性,还为长期能源规划与减排政策提供了科学依据。这项研究成果发表在《Egyptian Informatics Journal》上,对于推动智能交通系统 (ITS) 的可持续发展和制定全球交通运输能源战略具有深远意义。

在研究方法上,研究人员主要运用了以下关键技术:首先,收集了来自OECD数据库中14个国家从2000年至2020年的历史数据,包含9个预测变量。数据按国别特征和全球特征进行分类,并经过剔除空值和标准化等预处理。其次,采用了堆叠集成机器学习 (SEML) 技术,构建了两层架构的模型,第一层使用了正交匹配追踪 (OMP)、贝叶斯岭回归 (BR)、线性回归 (LR)、套索回归 (Lasso) 和岭回归 (Ridge) 作为基学习器,第二层采用额外树回归器 (ETR) 或自适应提升回归器 (ADABoost) 作为元回归器。同时,也应用了包含一个隐藏层的人工神经网络 (ANN) 进行对比。最后,结合SHapley加性解释 (SHAP) 方法评估特征重要性,并使用R2、均方误差 (MSE) 等五个评估指标验证模型精度。

无堆叠的基准模型性能
在不应用堆叠技术的情况下,研究人员首先评估了传统回归与基线模型的预测性能。结果表明,ETR和BR表现最佳,均方误差 (MSE) 约为6.4614,决定系数R2达到0.9850。这说明传统模型能部分捕捉交通能耗的非线性模式,但稀疏正则化模型表现较弱。与传统未堆叠模型相比,所提出的堆叠集成方法通过结合多个基模型的互补学习行为,显著提升了预测的鲁棒性与准确性,证明了采用SEML框架的必要性。

特征分类结果
研究人员将特征分为交通、社会经济和全球特征三类并分别测试。在仅使用交通类特征(不含投资特征)时,SEML模型取得了0.9944的R2值;重新加入交通基础设施投资特征后,模型R2略降至0.9938,且平均绝对百分比误差 (MAPE) 增升至27.4079。仅使用社会经济特征时,R2为0.9931。结合社会经济与全球特征时,R2降至0.9918。这表明交通与社会经济因素结合能显著提升预测精度。

特征重要性分析
通过基于SHAP的特征重要性分析,研究结果显示交通活动变量是TED预测的主导驱动因素。其中,公路客运周转量 (P-KM-RD) 的影响力最高,其次是铁路与公路的客运及货运指标。人口特征具有中等贡献度,而国内生产总值 (GDP) 和基础设施投资等宏观经济变量对模型输出的影响相对较小。平均石油价格独立影响近乎零,但通过与其他预测指标交互体现出间接作用。

应用机器学习技术的结果
研究人员针对选出的五种最优特征组合模型进行测试。对于包含所有9个特征的模型A,采用OMP和BR作为一级学习器、ETR作为元回归器的SEML模型表现最佳,R2为0.9961。在包含6个特征(剔除交通投资特征)的模型C中,第一层使用Lasso、Ridge和LR,第二层使用ETR的SEML模型取得了最优表现,R2达到0.9963。仅包含3个特征的模型E(公路客运周转量、GDP和人口)同样表现优异,R2为0.9952。这表明即使在交通数据稀缺的国家,只要包含关键社会经济指标,也能准确预测TED。此外,模型以土耳其作为验证集进行测试,预测2018至2020年的TED精度超过95%,预测值分别为27.85、28.02和25.94 MTOE,与实际记录值高度吻合。

2040年土耳其交通能源需求预测
研究进一步利用该框架对土耳其2040年的TED进行了情景预测。在情景1中,保持当前交通模式的需求分布趋势,预测TED为41.05 MTOE;在情景2中,假设5%的需求从公路转向其他交通方式,预测TED为40.24 MTOE。相较于过往研究,本预测两情景间差异大幅缩小,原因在于本研究纳入了更为全面的交通模式考量。

在讨论部分,研究人员总结道,所有采用ETR作为元回归器的SEML算法在跨国TED预测中均展现出卓越的性能。其中第一层为Lasso、Ridge和LR,第二层为ETR的SEML模型结合模型C的特征组合表现最佳。跨国准确性评估显示,该模型在欧洲国家的平均准确率超过95.53%,在澳大利亚、日本等国也保持优异的泛化能力,证实了SEML算法的稳健性。与特定国家的模型相比,该通用框架不仅维持了近优的解释力,还在绝对误差和平方误差指标上实现了大幅下降。同时,研究发现仅限土耳其数据训练的模型难以泛化至其他国家,进一步印证了多国数据训练对构建可扩展模型的关键作用。研究结论强调,全球可复用的SEML框架能够有效替代单一国家模型,减少对本地数据的依赖,为长期能源规划提供高一致性与高适用性的预测方案。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号