城市轨道交通TOD区域中,各组成部分之间存在相互作用和依赖关系,导致碳排放数据之间呈现出非线性耦合特性,难以精准捕捉其内在规律,易在碳排放量化过程中引入显著误差.故研究提出基于长期能源替代规划(Long-range Energy Alternatives Planning,LEAP)技术的城市轨道交通TOD区域碳排放测算方法.首先,应用LEAP技术获取城市轨道交通TOD区域的能源数据,以自下而上的系统动力学视角,有效整合能源供应、消费及转换过程中的各类数据,精准刻画能源消费与碳排放之间的非线性映射关系.同时,利用偏最小二乘(Partial least squares regression,PLS)回归与最小残差回归检测并修复数据,并采用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)填补能源数据中的缺失值,提高能源信息数据的质量;然后,引入密度峰值聚类算法对能源信息数据展开聚类分析;最后,根据不同类型的能源信息数据计算货物运输、轨道交通以及普通机动车的能源消耗,根据计算结果获得城市轨道交通TOD区域的碳排放量.仿真结果表明:上述方法具有较高的数据修复精度与碳排放测算精度.城市轨道交通TOD区域中,各组成部分之间存在相互作用和依赖关系,导致碳排放数据之间呈现出非线性耦合特性,难以精准捕捉其内在规律,易在碳排放量化过程中引入显著误差.故研究提出基于长期能源替代规划(Long-range Energy Alternatives Planning,LEAP)技术的城市轨道交通TOD区域碳排放测算方法.首先,应用LEAP技术获取城市轨道交通TOD区域的能源数据,以自下而上的系统动力学视角,有效整合能源供应、消费及转换过程中的各类数据,精准刻画能源消费与碳排放之间的非线性映射关系.同时,利用偏最小二乘(Partial least squares regression,PLS)回归与最小残差回归检测并修复数据,并采用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)填补能源数据中的缺失值,提高能源信息数据的质量;然后,引入密度峰值聚类算法对能源信息数据展开聚类分析;最后,根据不同类型的能源信息数据计算货物运输、轨道交通以及普通机动车的能源消耗,根据计算结果获得城市轨道交通TOD区域的碳排放量.仿真结果表明:上述方法具有较高的数据修复精度与碳排放测算精度. Read More