从静态和动态两方面综合分析我国城市轨道交通的碳排放效率,以探索高效、绿色的城市轨道交通发展路径。首先,利用“自上而下”的方法测算城市轨道交通系统的碳排放量,构建涵盖车辆、人力、能源、环境、运输效益的要素体系;然后,运用考虑非期望产出的超效率SBM(Slack Based Model)模型测度我国23个省会城市轨道交通碳排放效率,利用方向性距离函数构建GML(Global Malmquist-Luenberger)指数分析碳排放效率的动态变化特性;最后,采用面板模型厘清碳排放效率的影响因素。模型计算结果表明:城市轨道交通碳排放效率总体呈现与网络规模正相关的差异化态势,不同类型城市轨道交通碳排放效率GML及其分解指数的变化特征有所差异;规模效率、技术进步对城市轨道交通碳排放效率具有提升作用,规模效率、技术进步指数每上升1%,碳排放效率GML指数分别提高1.906%、2.338%,火力发电比例对碳排放效率的提升有一定的抑制作用;随着城市轨道交通网络的发展,碳排放效率的提升仍需要技术进步的推动。最后,针对不同类型城市轨道交通提出了提升碳排放效率的策略要点。
城市不同区域网约车供需缺口预测可为车辆调度策略提供支持,从而提高车辆运行效率和乘客服务水平.为实现网约车供需缺口短时预测,提出一种基于时空数据挖掘的深度学习预测模型(Spatio-Temporal Deep Learning Model, S-TDL).该模型由时...
详细信息
城市不同区域网约车供需缺口预测可为车辆调度策略提供支持,从而提高车辆运行效率和乘客服务水平.为实现网约车供需缺口短时预测,提出一种基于时空数据挖掘的深度学习预测模型(Spatio-Temporal Deep Learning Model, S-TDL).该模型由时空变量模型、空间属性变量模型和环境变量模型3个子模型融合而成,可捕捉时空关联性、区域差异性和环境变化对供需缺口的影响.同时,提出特征聚类—最大信息系数两阶段特征选择方法,筛选与供需缺口相关性强的特征变量,提高训练效率,减少过拟合.滴滴出行实例分析证明,特征选择后的STDL模型预测精度显著优于BP神经网络、长短期记忆网络和卷积神经网络.
暂无评论