基于机器学习的车辆动力总成碳排放可信比较
机器学习
2026-01-21 v1 人工智能
摘要
实现道路运输脱碳需要一致且透明的方法来比较不同车辆技术的CO2排放。本文提出了基于机器学习的框架，用于在相同、真实世界驾驶条件下对内燃机车辆(ICEVs)和电动车(EVs)进行逐项运行评估。该方法通过固定观察到的速度轮廓和环境背景，从而隔离技术特有的效应，实现对动力总成性能的直接比较。为每个域独立训练循环神经网络模型，以学习从情境驾驶变量(速度、加速度、温度)到内部作动变量(扭矩、油门)以及瞬时CO2当量排放率的映射。该结构允许构建反事实情景，以回答: 如果EV遵循与ICEV相同的驾驶轮廓，它会产生多少排放？通过将两种车辆类型在统一的瞬时排放指标上对齐，该框架实现了对动力总成技术进行公平且可重复评估的能力。它为在真实运行条件下进行车辆碳性能的可信、数据驱动评估提供了可扩展基础。
引用
@article{arxiv.2601.14022,
title = {Credible CO2 Comparisons: A Machine Learning Approach to Vehicle Powertrain Assessment},
author = {Rodrigo Pereira David and Luciano Araujo Dourado Filho and Daniel Marques da Silva and João Alfredo Cal-Braz},
journal= {arXiv preprint arXiv:2601.14022},
year = {2026}
}