Forscherinnen und Forscher der University College Cork (UCC) und der Columbia University haben eine neue Methode entwickelt, um die zukünftige Nachfrage im Personen- und Güterverkehr präziser vorherzusagen. Der Transportsektor ist weltweit für etwa 20% der Treibhausgasemissionen verantwortlich. Die Vereinten Nationen gehen davon aus, dass die Weltbevölkerung bis 2050 auf etwa 9,7 Milliarden Menschen anwachsen wird, was höhere Nachfrage nach Transportdienstleistungen zur Folge haben wird.
Bisher wurden Transportnachfrageprognosen durch Nachbildung von Nachfragemodellen oder mittels Regressionsanalysen erstellt. Die neuen Forschungsergebnisse, die in Scientific Reports veröffentlicht wurden, stellen eine innovative Methode des maschinellen Lernens vor, die TrebuNet genannt wird. Diese Architektur erzielt im Vergleich zu traditionellen Regressionsmethoden und zum aktuellsten Stand der Technik der neuronalen Netzwerke und des maschinellen Lernens eine überlegene Leistung. Die Verbesserungen erstrecken sich auf die regionale Nachfrageprognose für alle Arten von Transportanforderungen in kurzen, dekadischen und mittelfristigen Zeitrahmen.
Also Read:
Siddarth Joshi, der diese Forschung im Rahmen seines Promotionsstudiums in Energietechnik an der UCC leitete, kommentierte: „Diese Studie gibt Einblick in die Entwicklung einer neuen Architektur des maschinellen Lernens, die die Genauigkeit bei der Schätzung von Nachfragen im Verkehrssektor erhöht. Die innovative Architektur des maschinellen Lernens und ihre Vorteile sind für die Energie-Modellierungsgemeinschaft messbar und auf verschiedene Disziplinen übertragbar.“
„Die präzisen Prognosen der Transportnachfrage sind nicht nur für Energie-System-Modelle und Klimapolitik wichtig, sondern bilden auch das Rückgrat für das Verständnis der zukünftigen Ausrichtung der globalen Energiemärkte“, erklärte Brian Ó Gallachóir, Professor für Energietechnik an der UCC.
Also Read:
Dr. James Glynn, Senior Research Fellow an der Columbia University, fügte hinzu: „Diese neue Methode zeigt Innovationen in der Energie-System-Modellierung und der Datenanalyse, um Schwächen bei der Entwicklung von Verständnis im Bereich der Energie-System-Modelle für neue Anwendungen des Deep Learning zu lösen. Dies hilft uns, Unsicherheiten bei der Dekarbonisierung von Pfaden zu beseitigen.“
„Die Dekarbonisierung des Verkehrs im Einklang mit den globalen Netto-Null-2050-Zielen erfordert dringende Klimamaßnahmen. Die Zusammenarbeit zwischen Columbia SIPA und UCC führt zu neuen Ansätzen in der Energie-System-Modellierung und Datenscience, um den Entscheidungsträgern bei der Gestaltung der Klimapolitik die Werkzeuge und die evidenzbasierte Forschung zur Verfügung zu stellen.“
Also Read:
Die neue Methode soll dazu beitragen, die direkte Abhängigkeit vom Verkehrssektor von fossilen Brennstoffen zu reduzieren und den Übergang hin zu erneuerbaren Energien zu beschleunigen. Die verbesserten Transportprognosen könnten künftig dazu beitragen, Energiebedarf und -versorgung besser zu planen und damit eine nachhaltigere Zukunft zu gestalten.
In Other News Around the World: