使用多模态发动机遥测与特征可解释性的现代车辆二氧化碳排放自动决策框架

为什么更精准的汽车排放预测很重要

轿车和卡车是导致气候变暖的二氧化碳排放的主要来源之一，然而准确估算单辆车在实际道路上会排放多少却并不容易。本研究提出了一种新方法，通过学习大量真实车辆数据来更精确地预测这些排放。更好的预测工具可以帮助城市规划者设计更清洁的交通系统、汽车制造商打造低碳车辆，以及政府制定与日常行驶尾气实际情况相匹配的政策。

窥见真实车辆的“舱内世界”

研究者以加拿大政府提供的一份丰富数据集为起点，覆盖七千多辆车长达七年的记录。每辆车包含基础属性——例如发动机排量、气缸数、燃料类型和变速器——以及城市、高速和混合工况下的燃油消耗量，及由此计算的每公里二氧化碳排放量。研究者先用统计工具筛选出真正重要的特征。结果显示，车辆在混合工况下的燃油消耗及相关的燃油效率指标，是对其排放量最有力的线索。发动机排量和城市工况燃油消耗次之，而高速工况燃油消耗和气缸数对额外信息的贡献相对较小。

教一台数字“大脑”解读发动机信号

为了把这些线索转化为精确预测，团队使用了一种称为多层感知器的人工神经网络。这是一种灵活的数学“脑”，通过调整大量内部连接来学习模式。然而为这种“大脑”选择最佳结构——层数、每层单元数量及学习速率——往往需要反复试验。研究者没有依赖容易陷入平庸解的传统局部搜索方法，而是采用了两种受自然启发的搜索策略，分别以沙漠角蜥和巨型犰狳命名。这些方法同时探索许多候选网络设计，像动物在觅食路径中不断试探与改进一样，把设计朝更佳表现推动。

自然启发的微调带来更锋利的预测

这两种动物启发的搜索方法各有角色。基于犰狳的方法一开始广泛巡视，扫描可能的网络配置空间，而基于角蜥的方法则放大细节，抛光有前景的候选者。在用于神经网络调参时，这两种策略在性能上都优于传统设置及其他常用机器学习工具，如提升树、随机森林和支持向量机。表现最突出的模型结合了三层神经网络与犰狳式优化器，预测出的排放与实测数据高度吻合，几乎解释了排放的全部变异，平均误差极小——达到可用于严肃规划和政策制定的准确水平。

打开模型的“黑箱”

仅有高精度还不够，如果决策者无法看到是什么驱动了这些数值，信任就难以建立。为保持系统透明，研究者将模型与现代解释技术结合，追踪哪些输入会使预测上升或下降。两种互补工具突出了各特征——例如混合工况燃油消耗、城市工况燃油消耗、发动机排量和燃料类型——如何影响最终的排放估计。分析确认，混合工况燃油消耗和发动机排量主导整体表现，共同占据模型解释力的一半以上，并揭示当这些数值上升时排放如何以非线性方式增长。通过与基本物理预期相一致——较大、耗油更多的发动机排放更多——这些解释有助于建立对模型建议的信任。

从更聪明的预测走向更绿色的街道

简单来说，这项工作表明，将详细的发动机和燃油使用数据输入经过精心调校的数字“大脑”，可以产生对车辆二氧化碳排放的高度精确预测。最重要的结论很直接：在日常混合工况下燃油消耗更多的车辆，尤其是排量较大的车辆，是主要的罪魁祸首。由于该模型既强大又可解释，它可作为设计更清洁汽车、管理车队和规划低碳交通网络的决策辅助工具。随着类似工具扩展到使用实时数据和物理工程规则，它们有望成为基于事实的道路交通减排工作的核心支撑。

引用: 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

关键词: 车辆二氧化碳排放, 机器学习模型, 发动机遥测, 交通脱碳, 智能交通系统