基于BP神經網絡的綠色出行碳積分模塊化系統(tǒng)設計

謝 睿，楊 浩，陳春照，梁后軍

（1.安徽財經大學 會計學院，安徽 蚌埠 233000；2.安徽財經大學 金融學院，安徽 蚌埠 233000；3.安徽財經大學 管理科學與工程學院，安徽 蚌埠 233000）

1 研究背景

根據國際能源署（International Energy Agency，IEA）的研究報告，到2020年，全球運輸業(yè)成為僅次于電力和熱生產行業(yè)的第二大碳排放源，也是增長最快的碳排放源。而在全球碳排放量統(tǒng)計中，道路交通碳排放量占整個交通運輸行業(yè)的70%[1]。因此，如何有效控制道路交通產生的碳排放量是亟待解決的問題。

國內外學者對交通領域碳交易研究較多，但少有對交通運輸中碳排放的動態(tài)監(jiān)測。這與電力和生產等固定排放源不同，來源于交通系統(tǒng)的二氧化碳排放量不易確定，且大多數碳交易系統(tǒng)未納入監(jiān)管區(qū)域，很多針對交通領域的碳交易項目也比其他碳交易項目更為復雜[1-3]。

交通出行碳排放量監(jiān)測相關研究成果可以概括為以下3個方面。

1）基于CCER（chinese certified emission reduction）方法學進行核算設計的研究。黎煒馳等[4]結合CCER方法學設計了公共自行車設施單項減排量的核算方法，并且結合文獻統(tǒng)計說明了單項減排量的核算公式。萬莉等[5]認為，目前流行的交通CCER方法學，如在公交車上使用LNG（liquefied natural gas）減排的方法學，借鑒了交通CDM（clean development mechanism）方法學的專業(yè)知識，為中國在交通領域開展碳交易打下了堅實基礎。郭洪旭等[6]基于CCER方法并考慮交通信息的可獲得性，預測了兩種核算居民交通出行碳減排方法，即替代法和平均法，并且計算了2015年廣州市居民交通出行的碳減排量。曹先磊等[7]從碳交易視角，構建了中國核證減排量的核算機制框架和開發(fā)成本評估模型，并且通過實證分析了河北省豐寧縣落葉松造林項目中國核證減排量的開發(fā)成本及其動態(tài)分布，探討了其敏感性。

2）技術創(chuàng)新對碳排放監(jiān)測發(fā)展的探究。郭朝先[8]認為，碳捕捉（carbon capture, utilization and storage，CCUS）和包括負排放技術在內的新能源將為實現碳中和目標提供自下而上的技術保障，應提前儲備和部署生物質耦合CCUS技術（bioenergy and carbon capture and storage，BECCS）和直接空氣捕捉（direct air capture，DAC）等負排放技術。劉航[9]認為，應該始終加強與相關企業(yè)的溝通和協(xié)作，了解主管部門和運輸公司相關的知識共享和合作，并加強對現代技術和碳包容系統(tǒng)的混合分析，如基于區(qū)塊鏈的合理合約和碳包容系統(tǒng)方法的混合。吳嘉瑩等[10]認為，為了消除用戶的欺詐行為，從而消除中央服務器對用戶知識的干涉，必須嘗試開發(fā)一個區(qū)塊鏈和低碳相融合的碳鏈。用戶可以通過步行或者騎共享單車等行為來“挖礦”，并可能獲得紅包或者有實用價值的“物品”。何繼江等[11]認為，中國城市的二氧化碳排放清單是利用生產者平衡技術測算出來的，而且最近幾年的中國碳排放清單尚未被公開或編制。

3）碳交易理論對碳排放強度的影響研究。黃肖玲等[12]建立了以價格下降為目標的鋼鐵產成品運輸網絡優(yōu)化模型，采用融合和聲搜索的環(huán)形拓撲結構PSO（particle swarm optimization）算法進行求解，并對倉儲價格進行靈敏度分析。李云燕等[13]建立了CO2和大氣污染物排放量的LEAP（long-term energy alternatives planning system）模型，設計了3種政策情境，并通過減排效應坐標系分析和減排彈性系數法，研究了不同措施下二氧化碳和大氣污染物的協(xié)同減排效應。盧茗軒等[14]基于合成控制法，以2006—2017年中國省級面板數據為例，討論了中國碳交易試點政策對試點區(qū)域內交通碳排放強度的影響，進行了反事實分析，并通過中介效應方法分析了其影響機制。劉琦鈾等[15]基于Cobb-Douglas效用函數，在個人碳交易理論的背景下，建立了選擇節(jié)能汽車優(yōu)化模型，并以此論證了市場碳排放權交易價格與臨界碳價之間的關系。

綜上所述，國內外學者對于交通領域碳核算的研究，多側重于宏觀層面的交通領域個人碳交易研究，而用機器學習理論進行交通大數據監(jiān)測及核算的研究相對較少。因此，本研究擬從居民的“碳中和+交通出行”歷程出發(fā)，提出個人碳積分賬戶基本思路，并從各模塊功能設計算法上提供可實現依據；構建基于BP（back-propagation）神經網絡的綠色交通出行參數評價指標體系，以期為改善當下復雜的出行碳排放源核算提供參考。

2 設計原理

2.1 設計思路

個人碳積分賬戶設計思路如圖1所示。首先，定義有效的低碳行為，如地鐵、公交以及步行等。其次，建立參數評價指標體系與BP神經網絡，并應用至自行開發(fā)的H5移動端程序，以檢測用戶的出行行為。然后，建立模型，量化使用者交通出行碳排放為可計量的碳積分。此時，使用者可以在自己的個人碳賬戶中實時看到自己的積分獎勵情況等。最后，碳積分系統(tǒng)通過與碳交易所、有需求的企業(yè)等進行交易，獲取相應的利潤。

圖1 個人碳積分賬戶設計思路Fig.1 Design flowchart of personal carbon credit account

碳積分激勵系統(tǒng)開發(fā)的首要目標是個性化網頁設計，其運用HTML5超文本標記語言實現；其次是后臺管理系統(tǒng)設計，利用JAVA語言與數據庫的互聯實現。此外，系統(tǒng)通過大數據分析以及“雙鏈”結合計算用戶的“碳行為”以及云數據分析；通過權限獲取及兼容處理獲取用戶個人設備權限，完成APP上的一些信息獲取及處理；通過產品維護與客戶體驗完成系統(tǒng)后期的運營以及維護。

為使項目各功能模塊能夠有效地開發(fā)與運行，在開發(fā)中運用多種算法設計優(yōu)化系統(tǒng)，如圖2所示。初步搭建完碳積分運營系統(tǒng)后，通過不斷地測試與維護工作來優(yōu)化完善系統(tǒng)，合理地設計系統(tǒng)各個模塊，將數據、文檔，實時、準確、有效地記入數據庫，并進行備份，以實現碳積分系統(tǒng)的有效運行。

圖2 碳積分算法設計Fig.2 Carbon integration algorithm design

2.2 有效低碳行為的設定

低碳行為意味著日常生活中環(huán)保出行（如乘坐地鐵和騎自行車）用戶的低碳行為。碳核算方法，是通過建立和運行有效的個人碳信用賬戶，并依靠手機APP、云計算、WebService及神經網絡算法構建監(jiān)控系統(tǒng)，以監(jiān)測真實綠色低碳行為。為計算個體碳排放量，需先判斷個體的出行方式，本文采用BP神經網絡，根據10個輸入判斷個體的7種不同出行方式。

2.3 BP神經網絡下的監(jiān)測體系

2.3.1 移動程序監(jiān)測

移動程序監(jiān)測示意圖如圖3所示。

圖3 移動程序監(jiān)測示意圖Fig.3 Mobile program monitoring schematic diagram

首先，智能手機傳感器實時將目標用戶的原始坐標信息數據發(fā)送至移動程序監(jiān)測模塊，實現實時追蹤，并對移動目標進行數據采集與存儲；其次，在X、Y、Z軸基礎上實現對運動狀態(tài)數據特征值的提取；最后，BP神經網絡將采集到的數據進行分析，識別目標用戶實時運動狀態(tài)。

2.3.2 需要采集的參數

為了能更好地判別用戶的出行方式，創(chuàng)建了一個用于評估12個變量的評價指標系統(tǒng)，并對獲取方式與歸一化方式等進行說明，具體如表1所示。由于BP神經網絡的輸入最好是[-1, 1]，因此各個輸入參數需要映射到[-1, 1]，如年齡的歸一化方式為（年齡-75）/75，為神經網絡的輸入做準備。

表1 參數評價指標體系Table 1 Parameter evaluation index system

對于不同的交通出行方式，將其劃分為公共交通與個人出行兩種，識別方式主要為從交通系統(tǒng)數據庫中查詢與神經網絡識別，具體如表2所示。

表2 出行方式識別Table 2 Travel mode identification

2.3.3 BP神經網絡

本文構建的BP神經網絡如圖4所示，其中S代表Sigmoid函數(簡稱S型函數)，因為S型函數具有典型的非線性飽和網絡。S型函數在負無窮末端趨于0，而在正無窮末端趨于1，呈現非線性飽和特性，中間部分為線性，類似于生物神經元的信號輸出形式，可以提高線性神經網絡的映射功能。

S型函數的數學表達式和一階導數分別如下：

BP神經網絡首先通過網絡向前傳播輸入：

式中：a(0)為第0級輸入，為某一時刻的歷史數據；

P1～P10的意義與圖4中相同。

中間各級輸出為

式中：M為神經網絡的總層數，本文中M=2；

b為神經元的偏置向量；

m為當前層數；

W(m+1)為第m+1層的權重矩陣；

a(m+1)為第m+1層的輸出，最后一級輸出是a(M)，一般直接用a表示，則最后一層的輸出為，為最后一層所用的線性函數。

如圖4所示，本研究中網絡最后一層的輸出為7個，判斷行人是以哪種方式出行。理論上，若神經網絡判斷出是哪種出行方式，對應的輸出應為1，其它6個輸出應為0，實際的輸出顯然不會這么界限分明，

圖4 綠色出行下BP神經網絡訓練算法Fig.4 BP neural network training algorithm for green commuting

接下來通過網絡反向傳播靈敏度，最后一層的反向傳播表達式如下：

式中：s(M)為第M層的敏感性；

是一個矩陣，其中的轉換函數是線性函數；

a為最后一層函數的實際輸出，與公式（5）中的含義相同；

t為期望輸出，比如若某人是乘坐地鐵出行的，則其期望輸出為，在訓練時往往a與t是不相同的，存在誤差，所以要進行反向調整，以盡量減小誤差。

由于式（6）最后一層沒有使用Sigmoid函數，因此最后一層的誤差反向傳播靈敏度與前幾層的不同。前幾層誤差的反向傳播靈敏度如下：

式中，m=M-1,M-2,…, 2, 1。

最后，利用近似的最速下降法更新權值與偏置值進行比較：

經試驗，每層設置10個神經元比較合適，不僅能解決問題，而且節(jié)點數不太冗余。

從參數評價指標體系中獲取采集的數據建立BP神經網絡模型，輸入年齡、性別等變量數據。根據訓練和預期結果計算誤差分析結果，然后修改權重和閾值，通過不斷測算與優(yōu)化，最終識別其運動狀態(tài)。

2.3.4 實證分析

為了驗證出行方式判別算法的識別率，采集了50個人1周的出行數據（即圖4中P1～P10的10個參數），數據采集時間間隔為5 min。取其中40個人的出行數據對神經網絡進行訓練，用另外10個人的數據檢驗訓練神經網絡的正確性。實驗共分為兩組，一組是10個參數都用上，另一組是只用其中9個參數，以檢驗各參數對訓練效果的影響程度。表3中列出了得到的實驗結果數據。

由表3中的出行方式識別正確率數據可以得知，10個參數都用上時，出行方式的識別效果最好；在各個獨立變量中，運動速度對識別效果影響最大，如果去掉運動速度這個參數，識別的正確率會下降很多；其余各個變量也對識別率有不同程度的影響，可見這10個參數都是有效的。

表3 出行方式識別正確率Table 3 Accuracy rate of travel mode recognition

2.4 交通碳排放因素分解

根據ASIF（activity、structure、intensity、fuels）運輸碳排放框架，道路運輸碳排放可因素分解為交通活動需求、汽車能耗強度和燃料排放因子的乘積，分別對應于上游的汽車使用者、汽車生產企業(yè)、燃料供應企業(yè)，如圖5所示。

圖5 道路交通碳排放因素分解Fig.5 Decomposition of road traffic carbon emission factors

為了計算道路交通年度能耗，人們向社區(qū)參與部門提供通勤信息，例如工作、生活和娛樂。溫室氣體排放因子可從多家公認的機構來源獲得，用于估算teCO2/km，其中eCO2指二氧化碳當量（carbon dioxide equivalent）排放水平，具體如表4所示，表中數據來源于中國碳排放交易網，且交通工具主要用于通勤目的。

表4 各種交通工具的碳排放系數Table 4 Carbon emission coefficients of various vehicles

2.5 展現模式

程序框架搭建完成后，即可逐步展開運行測試，以H5內置于現有交通出行平臺向使用者進行呈現。用戶登錄已內置交通出行APP，在相應功能板塊登錄即可使用。目前運營基于個人碳積分賬戶監(jiān)測量化基礎上，使用者可利用碳積分在市場交易運算下運行，系統(tǒng)主要以個人碳追蹤、健康與健身、省錢工具、社交媒體、激勵機制五大模塊組建成相互關聯的運行機制。前3個模塊使用戶可以設定目標并跟蹤實現以下目標過程：1）綠色出行減少的碳足跡和能源消耗；2）改善健康狀況；3）省錢并調整預算。社交模塊利用游戲化和社會影響力以促進使用者朝著目標前進，并與同齡人比較。激勵機制模塊管理通過碳果果應用程序獲得的碳配額和激勵措施。每個模塊將共享一個一致的應用程序接口（application programming interface，API），以集成多個服務和應用程序。一致的API將有助于平臺適應未來發(fā)展，允許在構思和開發(fā)新服務和應用程序時對其進行集成，從而擴展平臺功能。

系統(tǒng)五大運營模塊將游戲化與公益化、經濟利益與社交元素相互結合，最后以清新舒適的UI設計保證最完美的舒適體驗。

3 應用前景

從以往城市交通二氧化碳排放的歷史軌跡可以看出，大部分城市都遵守了交通碳排放發(fā)展規(guī)律，這說明經濟發(fā)展和二氧化碳排放將盡快分開，然后將在城市擴張之前完成，而且城市居民的出行方式會更早穩(wěn)定下來。

為分析交通碳排放量趨勢，平均化碳排放量是有益的，主要表現為2個方面，一個是人均碳排放量，另一個是單位GDP碳排放量。人均碳排放量將該城市交通CO2總量均攤到個人而得，單位GDP碳排放量是將該城市交通CO2總量均攤到對應國內生產總值而得到。為了更進一步地對交通碳排放量總量進行分析，應分別對各典型城市人均碳排放量和單位GDP碳排放量進行計算，從而從均量上再次對總量進行分析。因此建立3個指標轉折點，其順序為：單位GDP交通碳排放量、人均交通碳排放量[16-17]和城市交通二氧化碳總排放量。基于城市交通碳足跡峰值3個指標出現的時間，城市交通低碳轉型過程可分為如下4個階段：未轉型期、第I轉型期、第II轉型期、第III轉型期，如圖6所示。

圖6 城市交通低碳轉型階段劃分示意圖Fig.6 Schematic diagram urban transport low-carbon transition stage division

由圖6可知，不同地區(qū)的城市低碳轉型時間不同，早期發(fā)展的城市可能已經進入了第三次轉型期，但后期發(fā)展的城市仍處于第Ⅰ、第Ⅱ轉型期或尚未轉型的發(fā)展階段[18]。發(fā)達城市單位GDP交通碳排放較早達到峰值，而在同一時期發(fā)展中城市單位GDP碳排放量已接近自身溫室氣體排放峰值，因此反而高出發(fā)達地區(qū)城市，反之亦然。其余兩項指標均出現較單位GDP排放指標有較強的滯后性，下降幅度較小，而此時發(fā)展中城市還沒有達到頂峰，這導致了很大的區(qū)域排放差異。

相關數據表明[19]，2020年我國II型小城市至II型大城市人均碳排放量處于一個相對低位水平，但從I型大城市至超大城市可以看出，人均碳排放量處于一個相對高位狀態(tài)。無論是城市化擴張或是仍處于快速增長期的城市，其交通系統(tǒng)都處于第Ⅰ轉型期或者尚未轉型期階段，短期人均碳排放指數不可能見頂。盡早發(fā)現城市交通碳排放問題，促使長期的低碳轉型發(fā)展，探索減排的路徑和結果，可為不同城市降低碳排放提供經驗借鑒。

5 結語

目前碳資產管理各類場景下碳積分使用受限。而本研究提出的基于神經網絡的綠色交通出行場景的個人碳積分賬戶系統(tǒng)設計，可突破以下目前市場上碳積分運行平臺的局限性：

1）本設計綜合了信息源、計算機應用程序及獎勵機制的個人碳積分賬戶，可幫助使用者記錄碳排放量并降低其碳排放量。

2）建立了參數評價指標體系與BP神經網絡，通過機器學習的方式進行數據監(jiān)測、分析及判別用戶出行方式，具有很強的科學性與實踐性。

3）基于各交通工具碳排放系數數據，構建道路碳排放因素公式，可以有效地衡量用戶交通出行碳排放量。

可見，本研究基于綠色出行場景，將有效實現用戶出行行為監(jiān)測、管理和優(yōu)化調節(jié)，將長期的緩解氣候變化措施與短期的個人和社會目標聯系起來，從而發(fā)揮技術、行為和市場機制的協(xié)同作用。

引導居民積極選擇綠色出行方式，結合具體的使用場景和系統(tǒng)特性，利用碳積分有效衡量用戶貢獻，并將其轉化為實際收益，是系統(tǒng)開發(fā)的主要內容。基于碳積分管理和控制模型讓每個人都參與到交通治理環(huán)境中，具有經濟性和靈活性。在應用第一階段，將優(yōu)先在公交站點、共享單車等場景中實施，待運營變得成熟后，可逐步擴展至所有出行行為。有效控制道路交通溫室氣體排放，幫助國家實現“碳達峰、碳中和”目標，將對全球氣候管理發(fā)揮關鍵作用。