9. Anwendung von maschinellem Lernen zur Vorhersage von CO₂-Emissionen aus dem Verkehrssektor zur Minderung des Klimawandels

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.