NeuralMOVES：基于逆向工程与代理学习的轻量级微观车辆排放估算模型
机器学习
2025-02-10 v1 人工智能
摘要
交通运输部门对温室气体排放有显著贡献，因此需要准确的排放模型来指导减排策略。尽管行业标准的机动车排放模拟器（MOVES）经过了实地验证和认证，但在使用复杂性、高计算需求以及不适用于微观实时应用方面面临挑战。为了解决这些局限性，我们提出了 NeuralMOVES，这是一套用于车辆 CO2 排放的高性能、轻量级代理模型套件。NeuralMOVES 基于逆向工程和神经网络开发，在涵盖超过两百万种具有不同轨迹以及环境和车辆因素的场景的广泛测试中，相对于 MOVES 实现了 6.013% 的平均百分比误差。NeuralMOVES 仅为 2.4 MB，将原始 MOVES 和逆向工程得到的 MOVES 大幅压缩为紧凑的表示，同时保持了高准确度。因此，NeuralMOVES 在保持 MOVES 准确度的同时显著增强了可访问性，简化了交通分析中的 CO2 评估，并能够在各种场景下实现实时、微观的应用，而无需依赖复杂的软件或庞大的计算资源。此外，本文首次提供了一个专门针对交通场景的工业级软件逆向工程框架，并超越了 MOVES。代理模型可在 https://github.com/edgar-rs/neuralMOVES 获取。
引用
@article{arxiv.2502.04417,
title = {NeuralMOVES: A lightweight and microscopic vehicle emission estimation model based on reverse engineering and surrogate learning},
author = {Edgar Ramirez-Sanchez and Catherine Tang and Yaosheng Xu and Nrithya Renganathan and Vindula Jayawardana and Zhengbing He and Cathy Wu},
journal= {arXiv preprint arXiv:2502.04417},
year = {2025}
}