■学术研究22本文引用格式：薛云飞.基于机器学习的汽车二氧化碳排放量预测研究[J].自动化与信息工程,2023,44(1):22-26;45.XUEYunfei.Researchonpredictionofautomobilecarbondioxideemissionsbasedonmachinelearning[J].Automation&InformationEngineering,2023,44(1):22-26;45.基于机器学习的汽车二氧化碳排放量预测研究薛云飞（重庆交通大学机电与车辆工程学院，重庆400074）摘要：针对汽车尾气排放物中二氧化碳（CO2）的排放量测量设备价格昂贵且测量精度低的问题，进行基于机器学习的汽车二氧化碳排放量预测研究。首先，利用斯皮尔曼等级相关系数分析汽车特征之间的相关性，并过滤冗余特征；然后，利用随机森林算法筛选出影响CO2排放量的4个核心特征；最后，分别基于线性回归、梯度提升树、XGBoost、支持向量机4种机器学习算法建立CO2排放量的预测模型，并通过模型效果对比和网格搜索调参，确定最佳的预测模型为基于梯度提升树算法构建的模型。预测值和真实值的对比结果表明，基于梯度提升树算法构建的模型具有较高的预测精度，能有效预测不同汽车每公里的CO2排放量。关键词：机器学习；CO2排放量；斯皮尔曼等级相关系数；随机森林算法；预测模型中图分类号：TP181文献标志码：A文章编号：1674-2605(2023)01-0004-06DOI：10.3969/j.issn.1674-2605.2023.01.004ResearchonPredictionofAutomobileCarbonDioxideEmissionsBasedonMachineLearningXUEYunfei(SchoolofMechatronicsandVehicleEngineering,ChongqingJiaotongUniversity,Chongqing400074,China)Abstract:Aimingattheproblemofthehighpriceandlowmeasurementaccuracyoftheemissionmeasurementequipmentofcarbondioxide(CO2)inautomobileexhaustemissions,theresearchonthepredictionofautomobilecarbondioxideemissionsbasedonmachinelearningiscarriedout.Firstly,thecorrelationbetweenautomobilefeaturesisanalyzedbyusingSpearmanrankcorrelationcoefficient,andredundantfeaturesarefiltered;Then,therandomforestalgorithmisusedtoscreenoutfourcorecharacteristicsthataffecttheemissionofCO2;Finally,thepredictionmodelofCO2emissionsisestablishedbasedonfourmachinelearningalgorithms,namelylinearregression,gradientliftingtree,XGBoostandsupportvectormachine,andthebestpredictionmodelisdeterminedbasedongradientliftingtreealgorithmthroughmodeleffectcomparisonand...
