Zusammenfassung
Das Hauptziel dieses Kapitels besteht darin, den Einfluss verschiedener Merkmale eines Fahrzeugs auf seine CO2-Emissionen zu untersuchen und ein maschinelles Lernmodell zu erstellen, das die CO2-Emissionen eines beliebigen Fahrzeugs genau vorhersagen kann. Nach umfangreicher Datenanalyse wird festgestellt, dass Merkmale wie „Kraftstoffverbrauch Stadt“, „Kraftstoffverbrauch Autobahn“ und „Fahrzeugklasse“ einen direkten Einfluss auf die CO2-Emissionen haben. Wenn der Kraftstoffverbrauch auf der Autobahn und in der Stadt oder die Fahrzeuggröße zunimmt, werden auch die CO2-Emissionen zunehmen. Andererseits ist ein Merkmal wie „Comb“, im Grunde die Wirtschaftlichkeit des Autos, umgekehrt proportional zu den CO2-Emissionen, d. h., je besser die Wirtschaftlichkeit, desto geringer die CO2-Emissionen. Daher sollte der Schwerpunkt darauf gelegt werden, die Wirtschaftlichkeit des Fahrzeugs zu erhöhen, was dazu beitragen wird, das Ziel der Netto-Null-Emissionen zu erreichen. Die beiden überlegenen Modelle, nämlich die Random Forest Regression und die XGBoost-Regression, können die Kohlenstoffemissionen jeder Art von Fahrzeug, das mit fossilen Brennstoffen betrieben wird, genau vorhersagen. Diese Modelle können verwendet werden, um die durch Fahrzeuge in Metropolen verursachten Kohlenstoffemissionen vorherzusagen, was den lokalen Regierungsstellen bei der Regulierung des öffentlichen Verkehrssystems helfen kann und dadurch zu einer Reduzierung der CO2-Emissionen führt. In Zukunft kann der aktuelle Datensatz, der hauptsächlich leichte Kraftfahrzeuge behandelt, erweitert werden, um Daten für andere Arten von Fahrzeugen aufzunehmen. Der kombinierte Datensatz kann verwendet werden, um bessere Einblicke in die CO2-Emissionen und die Art der dafür verantwortlichen Fahrzeuge zu gewinnen und so notwendige Modifikationen in der Herstellung dieser Fahrzeuge sowie bei der Formulierung von Richtlinien zu unterstützen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
https://www.mercedes-benz.com/en/vehicles/wltp/consumption-and-emissions/
https://www.bmw.com/en/innovation/sustainability-at-bmw.html
https://www.porsche.com/international/aboutporsche/e-performance/magazine/co2-neutrality-2030/
IPCC (2014) Climate change 2014: mitigation of climate change. In: Edenhofer O, R Pichs-Madruga, Y Sokona, E Farahani, S Kadner, K Seyboth, A Adler, I Baum, S Brunner, P Eickemeier, B Kriemann, J Savolainen, S Schlömer, C von Stechow, T Zwickel, JC Minx (Hrsg) Contribution of Working Group III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change []. Cambridge University Press, Cambridge, United Kingdom and New York, NY
5 Transmissions. National Research Council (2015) Cost, effectiveness, and deployment of fuel economy technologies for light-duty vehicles. The National Academies Press, Washington, DC. https://doi.org/10.17226/21744
Author information
Authors and Affiliations
Corresponding author
Rights and permissions
Copyright information
© 2024 Der/die Autor(en), exklusiv lizenziert an Springer Nature Singapore Pte Ltd.
About this chapter
Cite this chapter
Sharma, N., De, P.K. (2024). Anwendung von maschinellem Lernen zur Vorhersage von CO2-Emissionen aus dem Verkehrssektor zur Minderung des Klimawandels. In: Auf dem Weg zu Netto-Null-Zielen. Springer Vieweg, Singapore. https://doi.org/10.1007/978-981-97-0335-7_9
Download citation
DOI: https://doi.org/10.1007/978-981-97-0335-7_9
Published:
Publisher Name: Springer Vieweg, Singapore
Print ISBN: 978-981-97-0334-0
Online ISBN: 978-981-97-0335-7
eBook Packages: Computer Science and Engineering (German Language)