Deep learning model based prediction of vehicle CO2 emissions with eXplainable AI integration for sustainable environment
Notice bibliographique
Résumé
The transportation industry contributes significantly to climate change through carbon dioxide ( $$\hbox {CO}_{2}$$ ) emissions, intensifying global warming and leading to more frequent and severe weather phenomena such as flooding, drought, heat waves, glacier melting, and rising sea levels. This study proposes a comprehensive approach for predicting $$\hbox {CO}_{2}$$ emissions from vehicles using deep learning techniques enhanced by eXplainable Artificial Intelligence (XAI) methods. Utilizing a dataset from the Canadian government’s official open data portal, we explored the impact of various vehicle attributes on $$\hbox {CO}_{2}$$ emissions. Our analysis reveals that not only do high-performance engines emit more pollutants, but fuel consumption under both city and highway conditions also contributes significantly to higher emissions. We identified skewed distributions in the number of vehicles produced by different manufacturers and trends in fuel consumption across fuel types. This study used deep learning techniques to construct a CO2 emission prediction model, specifically a light multilayer perceptron (MLP) architecture called CarbonMLP. The proposed model was optimized by hyperparameter tuning and achieved excellent performance metrics, such as a high R-squared value of 0.9938 and a low Mean Squared Error (MSE) of 0.0002. This study employs XAI approaches, particularly SHapley Additive exPlanations (SHAP), to improve the model interpretation ability and provide information about the importance of features. The findings of this study show that the proposed methodology accurately predicts CO2 emissions from vehicles. Additionally, the analysis suggests areas for further research, such as increasing the dataset, integrating additional pollutants, improving interpretability, and investigating real-world applications. Overall, this study contributes to the design of effective strategies for reducing vehicle CO2 emissions and promoting environmental sustainability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».