一种面向可持续交通的碳排放预测方法：ENR–BAS–GRNN混合计算智能框架

《Sustainability》：A Carbon Emission Prediction Method for Sustainable Transportation: An ENR–BAS–GRNN Hybrid Computational Intelligence Framework

　　

准确预测交通碳排放对于识别新兴排放压力和支持向可持续交通系统转型至关重要。本研究开发了一个混合预测框架，整合了弹性网络回归（Elastic Net Regression, ENR）、天牛须搜索（Beetle Antennae Search, BAS）和广义回归神经网络（Generalized Regression Neural Network, GRNN），以估算中国安徽省2008年至2023年交通部门月度碳排放。ENR用于识别关键影响因素，而BAS优化GRNN参数以增强模型收敛性和泛化能力。在使用2023年观测解释变量的事后样本外评估中，对比实验表明ENR–BAS–GRNN模型取得了最高精度（R² = 0.99，ARE < 1%），优于所有基准模型。结果表明，将特征选择与智能优化相结合可以有效地捕捉非线性排放动态。除了提高估算精度外，所提出的框架还为监测交通相关碳排放和诊断与排放变化相关的因素提供了量化工具。当与解释变量的情景投影相结合时，该框架可以支持事前预测。因此，本研究为将碳排放测量、监测和政策支持整合到区域可持续交通治理中提供了一种计算轻量且数据驱动的方法。

在碳达峰与碳中和战略目标下，交通部门作为重要碳排放源，其碳排放预测是制定低碳政策和优化减排路径的核心科学基础。现有研究可归纳为四类：排放驱动因素分析、统计计量模型、机器学习与深度学习预测模型，以及结合特征工程、优化算法和预测模型的混合框架。然而