Автоматизированная система принятия решений по выбросам CO2 современных автомобилей с использованием мультимодальной телеметрии двигателя и интерпретируемости признаков

Почему важны более точные прогнозы для автомобилей

Легковые и грузовые автомобили — одни из крупнейших источников углекислого газа, усиливающего глобальное потепление, но удивительно сложно точно сказать, сколько именно выбросов произведёт конкретный автомобиль на дороге. В этом исследовании представлен новый подход к гораздо более точному прогнозированию таких выбросов на основе обучения на больших объёмах реальных данных о транспортных средствах. Улучшенные инструменты прогнозирования могут помочь городским планировщикам проектировать более чистые транспортные системы, автопроизводителям создавать автомобили с меньшим углеродным следом, а органам власти — разрабатывать политику, которая действительно соответствует тому, что выходит из выхлопных труб в повседневной езде.

Заглянуть под капот реальных автомобилей

Исследователи начали с богатого набора данных от правительства Канады, охватывающего более семи тысяч автомобилей за семь лет. Для каждого автомобиля имелись базовые характеристики — такие как объём двигателя, число цилиндров, тип топлива и трансмиссия — а также данные о расходе топлива в городе, на шоссе и в смешанном цикле, плюс соответствующий выброс CO2 на километр. С помощью статистических методов они сначала выяснили, какие из этих характеристик действительно важны. Было установлено, что расход топлива в смешанном цикле и связанная с ним мера топливной эффективности являются наиболее сильными предикторами выбросов. Далее по значимости следуют объём двигателя и городской расход топлива, тогда как расход на шоссе и число цилиндров добавляют относительно немного дополнительной информации.

Обучение цифрового «мозга» считывать сигналы двигателя

Чтобы превратить эти подсказки в точные прогнозы, команда использовала тип искусственной нейронной сети, называемый многослойным перцептроном. Это гибкая математическая «модель», которая учится распознавать закономерности, настраивая множество внутренних связей. Тем не менее выбор оптимальной архитектуры — числа слоёв, количества нейронов в каждом и скорости обучения — часто требует проб и ошибок. Вместо стандартных локальных методов поиска, которые могут застрять в посредственных решениях, авторы обратились к двум натуралистичным стратегиям оптимизации, названным в честь пустынных ящериц с рогами и гигантских броненосцев. Эти методы одновременно исследуют множество кандидатных конфигураций сети, подталкивая их к лучшей производительности подобно тому, как животные исследуют и уточняют свои пути поиска пищи.

Оптимизация по мотивам природы для более чётких прогнозов

Две биомотивированные стратегии поиска играют разные роли. Подход, вдохновлённый броненосцем, сначала широко исследует пространство возможных настроек сети, в то время как метод, вдохновлённый ящерицей, фокусируется на доводке перспективных кандидатов. При настройке нейронной сети обе стратегии улучшили показатели по сравнению с традиционными схемами и с другими популярными средствами машинного обучения, такими как бустинг, случайные леса и машины опорных векторов. Лучшей показала себя модель, сочетающая трёхслойный нейронный сетевой перцептрон с оптимизатором в стиле броненосца. Она настолько точно соответствовала измеренным выбросам, что объясняла почти всю их вариацию, с лишь небольшой средней ошибкой — уровня точности, пригодного для серьёзного планирования и использования в политике.

Открывая «чёрный ящик» модели

Высокая точность сама по себе недостаточна, если лицам, принимающим решения, непонятно, что влияет на прогнозы. Чтобы обеспечить прозрачность, исследователи связали свою модель с современными методами объяснения, которые отслеживают, какие входы повышают или понижают предсказания. Два дополняющих друг друга инструмента показали, как каждый признак — например, расход в смешанном цикле, городской расход, объём двигателя и тип топлива — формирует окончательную оценку выбросов. Эти анализы подтвердили, что расход в смешанном цикле и объём двигателя доминируют в картине, вместе объясняя более половины объясняющей силы модели, и показали, как выбросы нелинейно растут по мере увеличения этих показателей. Согласуясь с базовыми физическими ожиданиями — что более крупные, «прожорливые» двигатели выбрасывают больше — такие объяснения помогают выстраивать доверие к рекомендациям модели.

От умных прогнозов к более зелёным улицам

Проще говоря, работа показывает, что подача детализированных данных о двигателе и расходе топлива в тщательно настроенный цифровой «мозг» даёт очень точные прогнозы по выбросам CO2 автомобилей. Главный вывод прост: основными виновниками являются автомобили, которые сжигают больше топлива в повседневной смешанной езде, особенно с большими двигателями. Поскольку модель одновременно мощная и интерпретируемая, она может служить инструментом поддержки решений при проектировании более чистых автомобилей, управлении парками машин и планировании низкоуглеродных транспортных сетей. По мере расширения подобных инструментов для использования данных в режиме реального времени и физических инженерных правил они могут стать опорой для обоснованных мер по сокращению загрязнения климата на дорогах мира.

Цитирование: Saraswat, S.K., Abdullah, M., Habelalmateen, M.I. et al. An automated decision making framework for modern vehicles CO₂ emissions using multi modal engine telemetry and feature interpretability. Sci Rep 16, 12570 (2026). https://doi.org/10.1038/s41598-026-42137-3

Ключевые слова: выбросы CO2 транспортных средств, модели машинного обучения, телеметрия двигателя, декарбонизация транспорта, интеллектуальные транспортные системы