来源：期刊VIP网 时间：
作者：李雨;王君;张萌萌;付建村;
单位：山东交通学院交通与物流工程学院;山东省交通科学研究院;
摘要：以山东省交通运输领域为例，利用可拓展的随机性环境影响评估模型(STIRPAT)结合岭回归方法分析了碳排放驱动因素，采用粒子群算法(PSO)优化反向传播神经网络(BP神经网络),构建了以人口、人均GDP等7类变量为输入层的PSO-BP神经网络组合预测模型，对2023—2035年山东省交通运输在3种情景下的CO_2排放量进行了预测分析。结果表明：人口规模、人均GDP、能源结构、交通能源强度、货运周转量、民用车保有量是山东省交通运输碳排放的促进因素，交通运输强度是抑制因素；PSO-BP预测模型具有较高精度和较好的拟合效果，预测结果与单一的BP神经网络、支持向量回归模型(SVR)、STIRPAT模型对比，平均绝对百分比误差分别降低5.78%、2.00%和3.78%,均方根误差分别降低3.357×10~6、1.539×10~6、1.953×10~6 t,平均绝对误差分别降低2.651×10~6、1.128×10~6、1.756×10~6 t;预测期内，山东省交通运输CO_2排放量在低碳情景下将于2030年达到峰值5.535×10~7 t,在基准情景和高碳情景下将保持增长趋势。在现有政策基础上，山东省应持续优化交通运输结构，积极推广低碳出行方式，提升清洁能源应用比重，以实现交通运输的绿色化、低碳化及高质量发展目标。
关键词：交通碳排放预测;;STIRPAT模型;;BP神经网络;;粒子群优化算法;;情景分析
基金资助：山东省社会科学规划研究项目(22CJJJ31);; 济南市高校院所自主培养创新团队项目(20233040)
