%0 Journal Article
%A 彭林
%A 董佳奇
%A 杨世杰
%A 闫雨龙
%A 吕昕
%A 于雪巍
%A 越柯
%A 李俊杰
%A 王冰
%T 基于机器学习的道路移动源减污降碳路径研究
%D 2025
%R 10.11860/j.issn.1673-0291.20250038
%J 星空电竞app2026最新版学报
%P 132-144
%V 49
%N 5
%X <p>针对当前我国道路移动源污染物与碳排放特征时空异质、模式多样化所带来的精准治理挑战，通过机器学习方法构建道路移动源污染物与碳排放特征、驱动因素及减排路径研究框架.首先，集成多源数据信息构建交通-碳-环境数据集，分析道路移动源污染物与碳排放的时空分布特征；然后，建立多元知识约束的非负矩阵分解模型，识别污染物与碳排放模式及其驱动因素；最后，建立多模式集成的多元线性回归模型，分析有效的减污降碳路径.研究结果表明：近年来道路移动源排放颗粒物呈减少趋势，碳排放持续增长，且NO <i> <sub>x</sub></i> 、CO和VOCs排放仍显著；目前我国道路移动源污碳排放存在3种主要模式，碳-颗粒物减排模式分布在边境和沿海，受公路客运、货运及公路行驶里程影响（37.2%），污染物减排模式分布在北京市、天津市、广东省等，受交通生产总值影响（30.1%），碳-氮氧化物污染模式分布在中西部，受铁路及其电气化、小型运输载具等多因素影响（23.6%）；通过分析减排路径可知，加快交通运输行业经济发展对减排最显著，至多使CO<sub>2</sub>与NO <i> <sub>x</sub></i> 减排6.7%和4.5%，加快交通能源结构调整、减少公路货运及行驶里程、发展“公转铁”及铁路电气化对减排也较为显著.所提出的研究框架为“双碳”背景下道路移动源减污降碳提供定量评估和策略支持.</p>
%U https://jdxb.bjtu.edu.cn/CN/10.11860/j.issn.1673-0291.20250038