CN115829081A - 一种基于支持向量回归模型的城市交通碳排放预测方法 - Google Patents

Abstract

本发明公开了一种基于支持向量回归模型的城市交通碳排放预测方法，步骤如下：S1：划分城市交通体系碳排放关键因素；S2：构建城市交通体系碳排放预测模型；S3：推演城市交通体系碳排放；其中，步骤S1‑S3中，由城市交通体系碳排放数据管理系统管理城市交通体系碳排放数据。本发明考虑了新时代背景下能源结构和政策导向对碳排放的影响，使碳排放预测模型的预测能力更强，精度更高，适用性更广；构建了适用于城市和地区层面的交通碳排放预测模型，能够支持不同空间维度和时间粒度的碳排放预测，模型参数能直接体现相关因素的影响程度；使用基于蚁群算法的支持向量回归模型，在提高预测精度的同时，提升了模型的运行速度，减少运行内存。

Description

一种基于支持向量回归模型的城市交通碳排放预测方法

技术领域

本发明属于城市交通节能减排技术领域，具体涉及一种基于支持向量回归模型的城市交通碳排放预测方法。

背景技术

交通碳排放是造成目前日益严重的全球变暖与空气污染问题的一大元凶，给人类生产和生活带来巨大影响。如何构建科学的预测模型来准确预测未来年的交通运输业碳排放量，以制定合理有效的控制和减少碳排放政策，保障城市交通运输系统的有效运行，提高居民的出行效率，是当前中国城市交通碳排治理的关键问题。

目前，对于交通运输碳排放的预测主要是基于相关影响因素的权重分析，直接构建预测模型，如STIPRAT模型、ECK曲线、Kaya等式、IPAT模型等。这些传统预测方法存在模型稳定性低、适用性差，影响因素选取范围不足等缺陷，在一定程度上降低了交通运输碳排放预测的科学与准确性；同时，各种不同样本下偶然误差的存在，使得最终的预测结果不能完全反映实际情况。

城市交通碳排预测系统作为复杂的非线性系统，受到多种复杂因素的影响，需要使用大量样本来回归拟合，对预测方法的准确性、适用性和计算能力有很高要求。本发明采用自下而上的测算方法，综合考虑交通系统出行需求、能源结构、政策导向等各影响指标，基于智能算法构建未来年交通碳排放预测模型，合理推演出城市交通碳排放值，并对交通碳排放影响因素进行灵敏度分析，以便科学合理的指定碳减排政策。

发明内容

为克服上述传统预测方法存在的模型稳定性低、适用性差，影响因素选取范围不足、交通运输碳排放预测不科学、准确性低、预测结果不能完全反映实际情况等技术问题，本发明提出了一种基于支持向量回归模型和蚁群算法的城市交通碳排放预测方法，其主要设计目标是综合考虑城市交通系统、经济系统、社会系统、环境系统、资源系统以及政策系统的协调发展，测算交通碳排放的预测年，客观分析不同交通条件和外部环境下城市交通碳减排目标实现的难易程度，了解城市自身碳减排潜力，进而制定合理的交通碳减排目标，以指导城市交通碳排治理方向。

具体方案如下：

S1：划分城市交通体系碳排放关键因素；综合考虑城市交通体系的组成部分，定性与定量结合分析城市交通碳排放结构，选取关键影响因素并统计其特征值，作为城市交通体系碳排放预测模型的输入；城市交通体系碳排放数据管理系统管理城市交通体系碳排放历史数据和预测结果，维护数据安全性，该步骤提供静态和动态数据；

所述划分城市交通体系碳排放关键因素，包括城市交通体系组成、城市交通体系碳排放结构构成、城市交通碳排放影响因素划分；

S2：构建城市交通体系碳排放预测模型；采用计算智能算法构建城市交通体系碳排放预测模型，采用智能算法迭代选取最优模型参数，预测未来年城市交通碳排放值；城市交通体系碳排放数据管理系统管理城市交通体系碳排放数据，为该步骤提供静态和动态数据，并存储碳排放预测模型计算生成的数据；具体如下：

S2.1计算所述城市交通碳排放影响因素指标：将步骤S1筛选出的关键影响因素，统计其历史特征值，或根据相关参数计算相应参数的量化结果，并获取历史场景的相应碳排放量，形成输入数据集作为预测模型的输入；

S2.2生成所述碳排放预测模型：分别建立基准情景、减排情景和强化情景下的城市交通碳排放量预测模型，针对每一场景，选取交通碳排放、外部成本、能源消耗、出行成本、路网效率和出行品质为预测模型目标，并将该模型转化为满意度模型，以满意度最高值为最优目标，基于支持向量回归模型，构建碳排放量回归拟合函数，根据误差评定指标，使用蚁群算法迭代求解，确定相应场景的最优预测模型参数；

给定数据集(x_i,y_i)，i＝1,2,...,N，x_i∈Rⁿ，y_i∈R，其中x_i为n维空间的第i维输入，表示影响城市交通碳排量的关键因素，y_i是对应x_i的实际输出，表示该种场景下城市交通碳排放量。用f(x)＝ω^T+b定义分类函数，则碳排放量预测模型的目标函数为

s.t.y_i-(ω^Tx_i+b)≤ε+ξ_i,

式中：ω为法向量，C为惩罚参数，b为截距，ξ_i和

是松弛因子；

采用蚁群算法来搜索SVR模型的最优参数，首先初始化参数，然后计算参数的转移概率，按照轮盘赌法选择下一轮参数，修改禁忌表，更新信息素矩阵，若已达到最大迭代次数或满足终止条件，则停止，输出最优参数；

S3：推演城市交通体系碳排放；根据模型推演城市交通体系碳排放的预测年，对模型参数进行灵敏度分析，最终提供城市交通体系碳排放治理方案；城市交通体系碳排放数据管理系统管理城市交通体系碳排放数据，为其提供静态和动态数据，并存储碳排放预测模型计算生成的数据；具体如下：

S3.1计算碳排放值；

计算所述碳排放值具体如下：选择地区样本和相应预测场景，输入到已标定参数的预测模型中，选择预测粒度和范围，计算未来年碳排放值；

S3.2测算预测年；

测算预测年具体如下：考虑基准情景、减排情景和强化情景下的城市交通碳排放量变化，根据时间粒度依次推算地区年交通碳排放量，根据模型的预测结果构建碳排放量的时间关系函数，识别函数的拐点，确定相应场景的预测年；

S3.3求解碳排放治理方案；

求解所述碳排放治理方案具体如下：根据交通碳排放预测模型，求解各时间节点的交通碳排放量；以重要时间节点为考量，对模型参数进行灵敏度分析，动态分析模型参数的取值范围，计算不同模型参数组合下的城市交通碳排量，以分析不同因素对城市交通碳排量的影响程度；根据需求场景确定模型的输入参数组合，以城市交通碳排放量最低为目标，使用强化学习方法快速求解相应场景的碳排放量，对求解结果由小至大进行排序，输出排名第一的模型输入参数组合，得到不同场景和时间节点下的城市交通碳排放治理方法。

优选地，步骤S1中，所述城市交通体系组成，包括城市公共交通、个体机动化客运交通、非机动化客运交通、以及机动化与非机动化货运交通；所述城市交通体系碳排放结构构成，包括施工过程和运输过程两个阶段；所述城市交通碳排放影响因素划分，包括出行需求、能源结构、政策导向。

优选地，所述出行需求根据出行需求方式和特性，确定不同场景下的各方式出行需求量，包括机动车保有量、运营总里程、旅客周转量、货物周转量；所述能源结构包括相应场景下的清洁能源比例、石油消耗量、煤炭消耗量、天然气消耗量、水电能消耗量；所述政策导向采用专家打分法，包括全生命周期的交通运输碳排放核算、核查体系，以碳减排量为核心的绩效评价标准、行业技术标准、市场准入标准。

优选地，步骤S2.2中，所述蚁群算法搜寻预测模型的最优参数的流程为：

步骤一：初始化模型的相关参数，包括蚁初始化群规模、信息素因子、启发函数因子、信息素、挥发因子、信息素常数、最大迭代次数等；

步骤二：设置禁忌表为对应的顶点，随机将蚂蚁放于不同的出发点；

步骤三：随机取一只蚂蚁，计算转移概率，计算该只蚂蚁遗留在路径上的信息素量，按照轮盘赌法的方式选择下一个顶点，再更新禁忌表，重新计算转移概率，重复至遍历完所有顶点；

步骤四：重复第三步，直至所有蚂蚁都遍历完毕；

步骤五：计算各路径的信息素增量和信息素量；

步骤六：计算各个蚂蚁经过的路径长度，更新最短路径，同时更新各路径的信息素浓度，清空禁忌表；

步骤七：根据终止条件判断是否结束迭代，若是，输出当前最优解作为预测模型的最优参数；若否，转为步骤二，进行下一次迭代。

优选地，其中，步骤S1-S3中，城市交通体系碳排放数据管理系统管理城市交通体系碳排放数据具体为：对碳排放预测相关的静态数据和动态数据进行数据存储和数据维护，并保证数据的安全性。所述静态数据和动态数据包括人口经济指标数据、客货运周转数据、能源消耗数据、实时预测数据、历史预测数据、模型参数；

所述数据存储是以主流数据库软件为平台，其存储的内容包括：人口经济指标数据库、车辆保有数据库、客货运周转数据库、能源结构数据库、政策指标数据库、预测实时数据库、预测历史数据库、模型参数数据库；

所述数据维护即实现数据的查看、编辑、更新、同步与保护。

本发明的一种基于支持向量回归模型和蚁群算法的城市交通碳排放预测方法，与现有技术相比，具有以下有益效果：

(1)考虑了新时代背景下能源结构和政策导向对碳排放的影响，使碳排放预测模型的预测能力更强，精度更高，适用性更广。

(2)构建了适用于城市和地区层面的交通碳排放预测模型，能够支持不同空间维度和时间粒度的碳排放预测，模型参数能直接体现相关因素的影响程度。

(3)使用基于蚁群算法的支持向量回归模型，在提高预测精度的同时，提升了模型的运行速度，减少运行内存。

(4)将能源结构和政策导向纳入碳排放的影响因素，填补碳排放影响因素研究的空白。

(5)采用智能算法进行预测，较传统方法的预测精度更高，运行速度更快，泛化能力更强。

附图说明

图1本发明一种基于支持向量回归模型和蚁群算法的城市交通碳排放预测方法流程图。

具体实施方式

下面结合附图和实施例进一步描述本发明，应该理解，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。

一种基于支持向量回归模型和蚁群算法的城市交通碳排放预测方法，步骤如下：

S1：划分城市交通体系碳排放关键因素：综合考虑城市交通体系的组成部分，定性与定量结合分析碳排放结构，选取关键影响因素，作为预测模型的输入；城市交通体系碳排放数据管理系统管理城市交通体系碳排放数据，为其提供静态和动态数据。

其中，划分城市交通体系碳排放关键因素，包括城市交通体系组成、城市交通体系碳排放结构构成、城市交通碳排放影响因素划分。

所述城市交通体系组成，包括城市公共交通、个体机动化客运交通、非机动化客运交通、以及机动化与非机动化货运交通。

所述城市交通体系碳排放结构构成，包括施工过程和运输过程两个阶段。

所述城市交通碳排放影响因素划分，包括出行需求、能源结构、政策导向等因素。出行需求根据出行需求方式和特性，确定各方式出行需求量，包括机动车保有量、运营总里程、旅客周转量、货物周转量等指标。能源结构包括清洁能源比例、石油消耗量、煤炭消耗量、天然气消耗量、水电能消耗量等指标。政策导向采用专家打分法，包括全生命周期的交通运输碳排放核算、核查体系，以碳减排量为核心的绩效评价标准、行业技术标准、市场准入标准等指标。

S2：构建城市交通体系碳排放预测模型，采用计算智能算法构建预测模型和迭代选取最优模型参数，预测未来年城市交通碳排放值；城市交通体系碳排放数据管理系统管理城市交通体系碳排放数据，为其提供静态和动态数据，并存储碳排放预测模型计算生成的数据。

其中，构建所述城市交通体系碳排放预测模型具体为：计算城市交通碳排放影响因素指标、生成碳排放预测模型。

计算所述城市交通碳排放影响因素指标具体为：将步骤S1筛选出的关键影响因素，根据相关参数计算相应的量化结果。

生成所述碳排放预测模型具体为：分别选取交通碳排放、外部成本、能源消耗、出行成本、路网效率和出行品质为预测模型目标，并将该模型转化为满意度模型，以满意度最高值为最优目标，基于支持向量回归模型(Support Vector Regression,SVR)，构建碳排放量回归拟合函数，根据误差评定指标，使用蚁群算法迭代求解，确定最优预测模型参数。

给定数据集(x_i,y_i)，i＝1,2,...,N，x_i∈Rⁿ，y_i∈R，其中x_i为n维空间的第i维输入，y_i是对应x_i的实际输出，用f(x)＝ω^T+b定义分类函数，则碳排放量预测模型的目标函数为

s.t.y_i-(ω^Tx_i+b)≤ε+ξ_i,

式中：ω为法向量，C为惩罚参数，b为截距，ξ_i和

是松弛因子。

采用蚁群算法(Ant Colony Optimization，ACO)来搜索SVR模型的最优参数，首先初始化参数，然后计算参数的转移概率，按照轮盘赌法选择下一轮参数，修改禁忌表，更新信息素矩阵，若已达到最大迭代次数或满足终止条件，则停止，输出最优参数。蚁群算法搜寻预测模型的最优参数的流程为：

步骤一：初始化相关参数，包括蚁初始化群规模、信息素因子、启发函数因子、信息素、挥发因子、信息素常数、最大迭代次数等；

步骤二：随机将蚂蚁放于不同的出发点，禁忌表为对应的顶点；

步骤三：随机取一只蚂蚁，计算转移概率

计算该只蚂蚁遗留在路径上的信息素量

按照轮盘赌的方式选择下一个顶点，再更新禁忌表，计算概率，重复至遍历完所有顶点；

步骤四：重复第三步，直至所有蚂蚁都遍历完毕；

步骤五：计算各路径的信息素增量Δτ_ij和信息素量τ_ij(t+n)；

步骤六：计算各个蚂蚁经过的路径长度L_k，更新最短路径，同时更新各路径的信息素浓度，清空禁忌表；

步骤七：根据终止条件判断是否结束迭代，若是，输出当前最优解；若否，转为步骤二，进行下一次迭代。

S3：推演城市交通体系碳排放，根据模型推演城市交通体系碳排放的预测年，对模型参数进行灵敏度分析，最终提供城市交通体系碳排放治理方案；城市交通体系碳排放数据管理系统管理城市交通体系碳排放数据，为其提供静态和动态数据，并存储碳排放预测模型计算生成的数据。

其中，所述城市交通体系碳排放推演，包括计算碳排放值、测算碳排放预测年、求解碳排放治理方案。

计算所述碳排放值具体如下：选择地区样本，输入到已标定预测模型中，选择预测粒度和范围，计算未来年碳排放值。

以国内某一大城市为例，主要利用2010-2020年间已有的历史数据来推导2023-2027年城市低碳交通碳排放量的变化情况。本发明建立的ACO-SVR碳排放量预测模型，经过训练得到的模型参数为：惩罚参数c＝60.3451，核函数g＝0.0278，均方误差为0.0179。模型训练结果的相关系数为0.9925，均方误差为0.001175；测试结果的相关系数为0.9872，均方误差为0.001084。模型对训练集和测试集的平均预测精度达到了95％以上，说明训练集和测试集的拟合程度较为集中，模型具有良好的泛化能力，且能反映出所用算法的结果误差较小。

测算预测年具体如下：考虑三种场景(基准情景、减排情景和强化情景)下的城市交通碳排放量变化，根据时间粒度依次推算地区年交通碳排放量，构建碳排放量的时间关系函数，识别拐点，确定预测年。

以基准情景为例，即不采取任何城市交通发展的干预措施，利用本发明所建立的预测模型，2023到2027年的城市交通碳排放量逐年增加，分别为1803.15万t、1962.12万t、2140.15万t、2309.03万t和2467.42万t，总排放量为10681.87万t。若采取相应的干预措施，调整城市交通的发展结构，以公共交通作为城市居民出行的主要交通工具，大力发展新能源汽车等，则2023到2027年的城市交通碳排放量分别为1798.4万t、1941.65万t、2100.26万t、2285.23万t和2258.79万t，碳排放量变化出现拐点，即在2026年达到碳排放的预测年。

求解所述碳排放治理方案具体如下：根据交通碳排放预测模型，求解各时间节点的交通碳排放量；动态分析模型参数的取值范围，选定参数的最优组合；根据输入参数，选择使用强化学习方法快速求解。

例如，根据预测结果分析，碳减排效果随公共交通运营线路增加幅度呈“S”型变化，在公交线路增加幅度控制在15％以内政策情景下，对应的交通碳减排效果有限，基本保持每增加5％的运营线路交通碳排放减少1％的优化效果。但是随着公交线路增加到20％，交通碳排放量明显减少，碳减排优化效果达到20.91％，当运营线路规模继续扩大，碳减排效果增速又明显变缓。

其中，步骤S1-S3中，城市交通体系碳排放数据管理系统管理城市交通体系碳排放数据具体为：对碳排放预测相关的基础数据和动态数据进行管理和维护，包括人口经济指标数据、客货运周转数据、能源消耗数据、实时预测数据、历史预测数据、模型参数等。

所述城市交通体系碳排放数据管理，包括交通碳排放数据存储和数据维护。

所述交通碳排放数据存储是以主流数据库软件为平台，其存储的内容包括：人口经济指标数据库、车辆保有数据库、客货运周转数据库、能源结构数据库、政策指标数据库、预测实时数据库、预测历史数据库、模型参数数据库等。

所述交通碳排放数据维护，实现数据的查看、编辑、更新、同步与保护。

本发明采用以上技术方案与现有技术相比，具有以下有益效果：

(1)考虑了新时代背景下能源结构和政策导向对碳排放的影响，使碳排放预测模型的预测能力更强，精度更高，适用性更广。

(2)构建了适用于城市和地区层面的交通碳排放预测模型，能够支持不同空间维度和时间粒度的碳排放预测，模型参数能直接体现相关因素的影响程度。

(3)使用基于蚁群算法的支持向量回归模型，在提高预测精度的同时，提升了模型的运行速度，减少运行内存。

(4)将能源结构和政策导向纳入碳排放的影响因素，填补碳排放影响因素研究的空白。

(5)采用智能算法进行预测，较传统方法的预测精度更高，运行速度更快，泛化能力更强。

对于本领域的普通技术人员来说，在不脱离本申请创造构思的前提下，还可以对本发明的实施例做出若干变型和改进，这些都属于本申请的保护范围。

Claims (5)

1.一种基于支持向量回归模型的城市交通碳排放预测方法，其特征在于，具体步骤如下：

S1：划分城市交通体系碳排放关键因素；综合考虑城市交通体系的组成部分，定性与定量结合分析城市交通碳排放结构，选取关键影响因素并统计其特征值，作为城市交通体系碳排放预测模型的输入；城市交通体系碳排放数据管理系统管理城市交通体系碳排放历史数据和预测结果，维护数据安全性，该步骤提供静态和动态数据；

所述划分城市交通体系碳排放关键因素，包括城市交通体系组成、城市交通体系碳排放结构构成、城市交通碳排放影响因素划分；

S2：构建城市交通体系碳排放预测模型；采用计算智能算法构建城市交通体系碳排放预测模型，采用智能算法迭代选取最优模型参数，预测未来年城市交通碳排放值；城市交通体系碳排放数据管理系统管理城市交通体系碳排放数据，为该步骤提供静态和动态数据，并存储碳排放预测模型计算生成的数据；具体如下：

S2.1计算所述城市交通碳排放影响因素指标：将步骤S1筛选出的关键影响因素，统计其历史特征值，或根据相关参数计算相应参数的量化结果，并获取历史场景的相应碳排放量，形成输入数据集作为预测模型的输入；

S2.2生成所述碳排放预测模型：分别建立基准情景、减排情景和强化情景下的城市交通碳排放量预测模型，针对每一场景，选取交通碳排放、外部成本、能源消耗、出行成本、路网效率和出行品质为预测模型目标，并将该模型转化为满意度模型，以满意度最高值为最优目标，基于支持向量回归模型，构建碳排放量回归拟合函数，根据误差评定指标，使用蚁群算法迭代求解，确定相应场景的最优预测模型参数；

给定数据集(x_i,y_i)，i＝1,2,...,N，x_i∈Rⁿ，y_i∈R，其中x_i为n维空间的第i维输入，表示影响城市交通碳排量的关键因素，y_i是对应x_i的实际输出，表示该种场景下城市交通碳排放量。用f(x)＝ω^T+b定义分类函数，则碳排放量预测模型的目标函数为

s.t.y_i-(ω^Tx_i+b)≤ε+ξ_i,

式中：ω为法向量，C为惩罚参数，b为截距，ξ_i和

是松弛因子；

采用蚁群算法来搜索SVR模型的最优参数，首先初始化参数，然后计算参数的转移概率，按照轮盘赌法选择下一轮参数，修改禁忌表，更新信息素矩阵，若已达到最大迭代次数或满足终止条件，则停止，输出最优参数；

S3：推演城市交通体系碳排放；根据模型推演城市交通体系碳排放的预测年，对模型参数进行灵敏度分析，最终提供城市交通体系碳排放治理方案；城市交通体系碳排放数据管理系统管理城市交通体系碳排放数据，为其提供静态和动态数据，并存储碳排放预测模型计算生成的数据；具体如下：

S3.1计算碳排放值；

计算所述碳排放值具体如下：选择地区样本和相应预测场景，输入到已标定参数的预测模型中，选择预测粒度和范围，计算未来年碳排放值；

S3.2测算预测年；

测算预测年具体如下：考虑基准情景、减排情景和强化情景下的城市交通碳排放量变化，根据时间粒度依次推算地区年交通碳排放量，根据模型的预测结果构建碳排放量的时间关系函数，识别函数的拐点，确定相应场景的预测年；

S3.3求解碳排放治理方案；

求解所述碳排放治理方案具体如下：根据交通碳排放预测模型，求解各时间节点的交通碳排放量；以重要时间节点为考量，对模型参数进行灵敏度分析，动态分析模型参数的取值范围，计算不同模型参数组合下的城市交通碳排量，以分析不同因素对城市交通碳排量的影响程度；根据需求场景确定模型的输入参数组合，以城市交通碳排放量最低为目标，使用强化学习方法快速求解相应场景的碳排放量，对求解结果由小至大进行排序，输出排名第一的模型输入参数组合，得到不同场景和时间节点下的城市交通碳排放治理方法。

2.根据权利要求1所述的一种基于支持向量回归模型的城市交通碳排放预测方法，其特征在于，步骤S1中，所述城市交通体系组成，包括城市公共交通、个体机动化客运交通、非机动化客运交通、以及机动化与非机动化货运交通；所述城市交通体系碳排放结构构成，包括施工过程和运输过程两个阶段；所述城市交通碳排放影响因素划分，包括出行需求、能源结构、政策导向。

3.根据权利要求2所述的一种基于支持向量回归模型的城市交通碳排放预测方法，其特征在于，所述出行需求根据出行需求方式和特性，确定不同场景下的各方式出行需求量，包括机动车保有量、运营总里程、旅客周转量、货物周转量；所述能源结构包括相应场景下的清洁能源比例、石油消耗量、煤炭消耗量、天然气消耗量、水电能消耗量；所述政策导向采用专家打分法，包括全生命周期的交通运输碳排放核算、核查体系，以碳减排量为核心的绩效评价标准、行业技术标准、市场准入标准。

4.根据权利要求1-3任一项所述的一种基于支持向量回归模型的城市交通碳排放预测方法，其特征在于，步骤S2.2中，所述蚁群算法搜寻预测模型的最优参数的流程为：

步骤一：初始化模型的相关参数，包括蚁初始化群规模、信息素因子、启发函数因子、信息素、挥发因子、信息素常数、最大迭代次数等；

步骤二：设置禁忌表为对应的顶点，随机将蚂蚁放于不同的出发点；

步骤三：随机取一只蚂蚁，计算转移概率

计算该只蚂蚁遗留在路径上的信息素量

按照轮盘赌法的方式选择下一个顶点，再更新禁忌表，重新计算转移概率，重复至遍历完所有顶点；

步骤四：重复第三步，直至所有蚂蚁都遍历完毕；

步骤五：计算各路径的信息素增量Δτ_ij和信息素量τ_ij(t+n)；

步骤六：计算各个蚂蚁经过的路径长度L_k，更新最短路径，同时更新各路径的信息素浓度，清空禁忌表；

步骤七：根据终止条件判断是否结束迭代，若是，输出当前最优解作为预测模型的最优参数；若否，转为步骤二，进行下一次迭代。

5.根据权利要求1-4任一项所述的一种基于支持向量回归模型的城市交通碳排放预测方法，其特征在于，

其中，步骤S1-S3中，城市交通体系碳排放数据管理系统管理城市交通体系碳排放数据，具体为：对碳排放预测相关的静态数据和动态数据进行数据存储和数据维护，并保证数据的安全性。所述静态数据和动态数据包括人口经济指标数据、客货运周转数据、能源消耗数据、实时预测数据、历史预测数据、模型参数；

所述数据存储是以主流数据库软件为平台，其存储的内容包括：人口经济指标数据库、车辆保有数据库、客货运周转数据库、能源结构数据库、政策指标数据库、预测实时数据库、预测历史数据库、模型参数数据库；

所述数据维护即实现数据的查看、编辑、更新、同步与保护。

Images