基于IC 卡数据的城市地铁绿色出行碳减排机理分析

席逸元，李文翔

（上海理工大学，上海 200093）

近年来研究数据表明，公交和地铁等绿色交通可以减少碳排放，因此它成为城市公共交通建设的热点[1-2]。

随着以人为核心的智慧城市理念备受重视，可以获取的时空大数据类型越来越丰富[3]。郭瑞军、罗敏等[4-5]研究城市轨道交通客流运行特性和居民出行特性。Barry等[6]通过对原始数据包括出行者的出行线路的处理，研究和预测客流的分布。在以往国内外学者对城市轨道交通碳减排[7-8]的研究中，顾宇、赵荣钦等[9-10]基于地铁IC 卡数据探究地铁对沿线居民碳排放影响。简文良和姚宇等[11-12]基于地铁的建成环境对碳减排的影响进行研究。赵鹏军[13]基于随机森林（Random Forest,RF）算法对地铁出行数据集进行训练，具有很强推广性。

本文主要通过获取地铁IC 卡数据，利用碳减排算法计算出各OD 站点的碳排放量。获取地铁站周边的POI 数据，基于GBDT 机器学习方法进行回归分析，寻找各影响因素与碳减排量的重要性。

1 基于IC 卡数据的地铁碳减排计算方法

本文依据CM-028-V01 方法学对出行者乘坐地铁出行的减碳量进行计算，计算主要包括基准线碳排放因子确定、出行距离计算和减排量计算3 个过程。碳减排计算流程图如图1 所示。

图1 碳减排计算流程图

1.1 确定不同方式的碳排放因子

地铁出行人公里排放因子选为0.0345kgCO2/pkm，小汽车出行人公里排放因子选为0.0812 kgCO2/pkm。

1.2 路径规划确定出行距离

使用高德地图AMapSearchAPI 获取出行距离。

1.3 每人次碳减排量计算

每人次汽车出行碳排放量的计算公式：

每人次地铁出行碳排放量的计算公式：

每人次地铁出行的碳减排公式：

其中，EB,P 和EC,P 为小汽车和地铁的碳排放量(kgCO2/人次）；Ekm,i、Ekm,j 为汽车和地铁的碳排放因子 (kgCO2/km)；Di、Dj 分别为小汽车和地铁的行驶距离（km）；ER,P 为每人次出行的碳减排量 (kgCO2/人次）。

2 基于GBDT 模型的地铁出行减碳机理分析

2.1 影响因素的选取与获取

查阅相关文献[14]确定，本文选取了出行距离、非直线系数和建成环境等影响因素，具体获取流程如图2所示。

图2 基于GBDT 模型的碳减排机理分析流程图

2.2 基于GBDT 模型的回归分析

GBDT 预测模型的构建流程如下：

（1）初始化模型

估计损失函数L（yi,γ）最小的模型参数γ：

L（yi,γ）为损失函数；N 为训练样本个数。

（2）计算残差

设T 为迭代次数，按下式计算模型的残差rit：

（3）将rit作为样本Zi的标签，将残差作为下一次训练的真实值。得到新的样本数据集[(Zi,rit),i=1,2,…,N]，作为下一次训练的样本数据，拟合得到下一棵回归树模型。

（4）计算叶子节点Rjt的最佳拟合值γjt，如下式：

（5）加强学习，更新第t 次迭代模型，如下式：

（6）输出最终模型fT(Zi)，如下式：

3 结论分析

3.1 变量获取统计

建成环境要素分为起点和终点，变量的定义和统计如表1 所示。

表1 变量的定义和统计

3.2 自变量重要性分析

图3 显示自变量相对重要性排序。其中出行距离占23.1%，非直线系数占9.3%，总建成环境占68.6%。

图3 所有解释变量的重要性排名

3.3 关键自变量的非线性效应分析

图4 显示起点位置5 个重要建成环境因素对碳减排量的影响。其中，（a）（b）（c）（d）分别显示起点处距离市中心的距离、道路网密度、医疗服务数量、公交车站数量与碳减排量的关系。

图4 起点关键建成环境

图5 显示终点关键建成环境变量对碳减排的影响。其中，图5（a）（b）（c）（d）分别显示终点处离市cbd 距离、公交站数、科教文化、医疗服务与碳减排量的关系。

图5 终点关键建成环境变量对碳减排的影响

图6 显示其他变量对碳减排的影响，其中（a）（b）显示出行距离、非直线系数与碳减排量大致符合线性趋势。

图6 其他变量对碳减排的影响

4 结论

根据上述分析发现，总建成环境占68.6%，出行距离占23.1%。非直线系数因素占9.3%。本研究有助于更好地了解碳减排的影响因素，并为决策者在城市规划中提供政策参考。