中圖分類號(hào)：U415 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.7535/hbkd.2025yx03009

Carbon emission prediction method for expressway construction period based on PSO-BP neural network

ZHAO Quansheng1，LI Fei1，GUO Feng'ai1，YU Jianyou ² ，XU Shizhao ³ ， HU Yunpeng4，CHU Xiaomeng5

ool of Civil Engineering，Hebei Universityof Science and Technology，Shijiazhuang，Hebei O5ool8，China; 2.Hebei Expressway Han Gang Port Company Limited，Cangzhou，Hebei O6l5oo，China;

3.SchoolofMechanicalEngineering，Hebei UniversityofScienceand Technology，Shijiazhuang，HebeiO5oo18，China; 4.Qinhuangdao Highway Construction and Development Center，Qinhuangdao，Hebei O66o99，China; 5.School of Chemical and Pharmaceutical Engineering，Hebei University of Science and Technology，Shijiazhuang， Hehei .China）

Abstract：To solvetheproblemof inaccuratecarbonemissons predictionduring the highwayconstruction period，amethodof Optimizing theback propagation（BP）neuralnetwork byparticleswarmoptimization（PSO）algorithmwas proposed topredictcarbon emisions.The12keyndicators，includingroutelength，subgradelength，pavementlngth，tunellength，ridgeandculvertlength， interchangelength，excavationvolume，filingvoue，dieselconsumption，cementconsumption，crushedstoneconsumptionadteel consumption，wererefinedfromthefourdimensionsof project length，construction，energyconsumptionandmaterialconsumption usingtheanalytichierarchyprocess（AHP）.Thedatafrom36hghwayprojectswereusedasempiricalsamplesformodelrainng，nd a comparative analysis was conducted based on error indicators. The results show that the R² value of the obtained PSO-BP model is 0.974，while the R² value of the BP model is0.89o，with the former being closer to1.Compared to the results of life cycle assessment，thePSO-BPmodelhasasmalerdeviationfromtheactualvaluethantheunoptimizedBPmodel.Thefourlayersof the hierarchyandtheselected12keyindicatorsenablethepredictionofcarbonemisionsduringthedesignandplaningstageofhighway construction，providing reference for low-carbon highway construction.

Keywords：otherdisciplines of road engineering;carbon emisson prediction；PSO-BP neural network；modeloptimization; factor analysis

開展碳排放量預(yù)測(cè)是研究高速公路建設(shè)期碳達(dá)峰、碳中和的基礎(chǔ)工作，這一工作不僅是制定減排策略的前置步驟，更是評(píng)估環(huán)境影響的關(guān)鍵工具[1-2]。已有的高速公路建設(shè)期碳排放研究大多基于傳統(tǒng)核算方法如質(zhì)量平衡法、實(shí)測(cè)法、碳排放因子法，主要依賴于歷史數(shù)據(jù)的統(tǒng)計(jì)規(guī)律，通過數(shù)學(xué)建模預(yù)測(cè)未來的碳排放，耗時(shí)長(zhǎng)且精度低[3-6]。并且高速公路是涉及面廣、工期跨度長(zhǎng)、技術(shù)難度高的復(fù)雜工程，因此需要精確篩選高速公路建設(shè)期碳排放影響指標(biāo)。

針對(duì)高速公路建設(shè)期碳排放預(yù)測(cè)精度低這一問題，可對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行優(yōu)化，使得優(yōu)化后的預(yù)測(cè)模型效果優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)模型[7-12]。其中，BP（back propagation）神經(jīng)網(wǎng)絡(luò)是常用的一種預(yù)測(cè)模型，通過使用反向傳播算法來調(diào)整網(wǎng)絡(luò)中的連接權(quán)重。該算法通過計(jì)算網(wǎng)絡(luò)輸出與期望輸出之間的誤差來逐層反向傳播誤差，利用梯度下降法更新連接權(quán)重，減小誤差并優(yōu)化網(wǎng)絡(luò)性能。盡管BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)和映射能力，但也存在訓(xùn)練時(shí)間過長(zhǎng)和易陷入局部最小值而非全局最小值等問題。

以往研究中關(guān)于高速公路建設(shè)的碳排放預(yù)測(cè)相對(duì)匱乏，這是由于高速公路建設(shè)期碳排放的影響因素多且雜亂[13-14]，導(dǎo)致預(yù)測(cè)精度低、預(yù)測(cè)難度大。為解決上述問題，本文通過調(diào)研與分析，從工程許可初步設(shè)計(jì)中選出20個(gè)用于構(gòu)建高速公路建設(shè)期碳排放預(yù)測(cè)模型的重要指標(biāo)，引人PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，通過不斷更新粒子的速度和位置，找到最優(yōu)的權(quán)值和閾值組合，提高神經(jīng)網(wǎng)絡(luò)的性能和精度，使模型的模擬和預(yù)測(cè)精度都有較大的提升[15-16]。

1高速公路建設(shè)期碳排放驅(qū)動(dòng)因素

高速公路建設(shè)期碳排放是指高速公路建設(shè)期各階段向外界排放溫室氣體的總和，但由于其他溫室氣體相較于二氧化碳含量極少[17]，故本文所提到的碳排放僅包括二氧化碳排放。為深人分析高速公路建設(shè)期碳排放，將高速公路建設(shè)期劃分為材料生產(chǎn)、材料運(yùn)輸和施工3個(gè)階段，根據(jù)《公路工程預(yù)算定額》[18]將高速公路劃分為8個(gè)主體工程，分別是路基工程、路面工程、隧道工程、橋涵工程、交通工程及沿線設(shè)施、交叉工程、綠化及環(huán)境保護(hù)工程和臨時(shí)工程，提取高速公路建設(shè)期碳排放驅(qū)動(dòng)因素。本文從工程長(zhǎng)度層、工程建設(shè)層、能源消耗層和材料消耗層出發(fā)，詳細(xì)探討了4個(gè)層面中高速公路建設(shè)期碳排放的驅(qū)動(dòng)因素，構(gòu)建出高速公路建設(shè)期碳排放驅(qū)動(dòng)因素的層次結(jié)構(gòu)模型，如圖1所示。

1. 1 工程長(zhǎng)度

選取路線長(zhǎng)度、路基長(zhǎng)度、路面長(zhǎng)度、隧道長(zhǎng)度、橋涵長(zhǎng)度和互通區(qū)長(zhǎng)度作為工程長(zhǎng)度層的6個(gè)驅(qū)動(dòng)因素。其中，高速公路的路線長(zhǎng)度是評(píng)估交通網(wǎng)絡(luò)效率和成本的關(guān)鍵因素[19]，直接影響著施工車輛的行駛時(shí)間和燃油消耗。路基工程和路面工程貫穿整條高速公路，其長(zhǎng)度決定著施工的難易程度，長(zhǎng)距離的路基工程在全線的規(guī)劃設(shè)計(jì)中通常采用挖方、借方等方式取土填筑路基，而路面工程則需要更多的水泥、碎石等材料對(duì)道路進(jìn)行鋪筑[20]。隧道工程、橋涵工程和交叉工程的施工不僅對(duì)地質(zhì)條件、施工方法、環(huán)境保護(hù)、安全風(fēng)險(xiǎn)控制有嚴(yán)格要求[21-22]，還包括橋梁、路基、路面等復(fù)雜施工內(nèi)容，使用的高耗能材料和大功率機(jī)械遠(yuǎn)高于其他工程。

1.2 工程建設(shè)

選取占地面積、挖方量、填方量、綠化面積和服務(wù)區(qū)數(shù)量作為工程建設(shè)層的5個(gè)驅(qū)動(dòng)因素。高速公路作為當(dāng)?shù)亟?jīng)濟(jì)發(fā)展和區(qū)域交流的重要設(shè)施，其建設(shè)規(guī)模逐年擴(kuò)大，由于高速公路的占地為永久性用地，其占地面積大小會(huì)影響整條公路工程的設(shè)計(jì)和施工布局。在地勢(shì)不平整區(qū)域，高速公路在建設(shè)過程中需要對(duì)所在地區(qū)進(jìn)行大規(guī)模挖方和填方[23]，挖方量大的工程需要?jiǎng)佑么笮蜋C(jī)械設(shè)備，如挖掘機(jī)、推土機(jī)等，這些設(shè)備在運(yùn)行過程中會(huì)消耗大量的化石燃料。此外，挖方量大的工程還涉及遠(yuǎn)距離的土石方運(yùn)輸。填方量大的工程則可能需要大量的填料材料，如砂石、碎石等，在施工過程中需要大量的人力和機(jī)械設(shè)備，從而產(chǎn)生大量的二氧化碳排放。綠化面積和服務(wù)區(qū)數(shù)量是綠化及環(huán)境保護(hù)工程重點(diǎn)考慮的對(duì)象[24]，在高速公路建設(shè)的過程中不可忽略。

1.3 能源消耗

選取重油消耗量、汽油消耗量、柴油消耗量和燃煤消耗量作為能源消耗層的4個(gè)驅(qū)動(dòng)因素。材料生產(chǎn)、材料運(yùn)輸和施工機(jī)械的工作過程中均需要化石能源的參與[25]，化石能源的燃燒是全球碳排放的主要來源，其中以重油、柴油、汽油和燃煤為主。

1.4 材料消耗

選取水泥消耗量、鋼筋消耗量、碎石消耗量、瀝青消耗量和混凝土消耗量作為材料消耗層的5個(gè)驅(qū)動(dòng)因素。在工程建設(shè)過程中材料消耗量大，并且材料生產(chǎn)過程會(huì)消耗大量的化石能源。例如，水泥生產(chǎn)是一個(gè)高能耗過程，需要維持高溫，特別是在煅燒階段，其主要成分石灰石分解產(chǎn)生二氧化碳，這是水泥生產(chǎn)中最大的碳排放源[26]。鋼筋生產(chǎn)主要涉及鋼鐵的冶煉過程，煉鐵需要在高溫下還原鐵礦石，這個(gè)過程通常依賴焦炭作為還原劑，其燃燒也會(huì)釋放大量的二氧化碳[27]。碎石生產(chǎn)通常需要使用重型機(jī)械進(jìn)行運(yùn)輸和破碎作業(yè)，這些機(jī)械的運(yùn)行依賴于化石能源[28]。瀝青是從石油中提煉出來的，石油的提取和精煉過程需要大量化石能源，并且在瀝青生產(chǎn)過程中，需要通過化石能源燃燒對(duì)其進(jìn)行加熱以降低黏度，便于運(yùn)輸和使用[29]。混凝土的生產(chǎn)需要水泥、砂、石等骨料，水泥作為混凝土材料的主要成分[30]，其提取和運(yùn)輸過程也會(huì)消耗大量化石能源并產(chǎn)生二氧化碳排放。

2高速公路建設(shè)期驅(qū)動(dòng)因素權(quán)重分析

本文采用層次分析法（analytic hierarchy process，AHP）進(jìn)行高速公路建設(shè)期驅(qū)動(dòng)因素分析。AHP是通過構(gòu)建一個(gè)層次結(jié)構(gòu)模型來處理復(fù)雜的決策問題，該模型包括目標(biāo)層（A）、維度層（B）和因素層（C）以及它們之間的相互關(guān)系，通過對(duì)各因素進(jìn)行兩兩比較，根據(jù)專家意見賦予相應(yīng)的重要性評(píng)分，然后通過數(shù)學(xué)計(jì)算得出各準(zhǔn)則或方案相對(duì)于總體目標(biāo)的權(quán)重，最后做出更為合理的選擇?；静襟E：1）建立層次結(jié)構(gòu)模型。明確決策問題的目標(biāo)、考慮的準(zhǔn)則和待選的方案，并將這些元素按照它們之間的關(guān)系層次化。2）構(gòu)造判斷矩陣。對(duì)每一層中的元素進(jìn)行兩兩比較，根據(jù)比較結(jié)果賦予相應(yīng)的重要性評(píng)分，通常使用 1～5 的標(biāo)度方法來表達(dá)。3）層次單排序與一致性檢驗(yàn)。計(jì)算每個(gè)元素的相對(duì)重要性權(quán)向量，并通過一致性比率（consistencyratio，CR）來檢驗(yàn)判斷矩陣的一致性。若CR小于預(yù)設(shè)的閾值（通常是0.1），則認(rèn)為判斷矩陣具有可接受的一致性。4）層次總排序。在確保各層次判斷矩陣一致性的前提下，計(jì)算出最高層目標(biāo)相對(duì)于所有下層方案的總排序權(quán)重，選取最終決策結(jié)果的影響因素。

2.1維度層指標(biāo)權(quán)重計(jì)算

通過上述分析，從工程長(zhǎng)度層、工程建設(shè)層、能源消耗層和材料消耗層4個(gè)維度總結(jié)出20個(gè)高速公路建設(shè)期碳排放驅(qū)動(dòng)因素，但各因素對(duì)高速公路建設(shè)期碳排放影響程度并非均等。為分析出上述驅(qū)動(dòng)因素對(duì)高速公路建設(shè)期碳排放的影響程度，特邀請(qǐng)了30位對(duì)高速公路建設(shè)期碳排放有相應(yīng)研究的專家采用AHP法對(duì)本文所提取的高速公路建設(shè)期碳排放驅(qū)動(dòng)因素進(jìn)行兩兩打分，由幾何平均法計(jì)算出高速公路建設(shè)期碳排放結(jié)構(gòu)模型中工程長(zhǎng)度層B1、工程建設(shè)層B2、能源消耗層B3和材料消耗層B4這4個(gè)維度層指標(biāo)的平均權(quán)重和一致性檢驗(yàn)，如表1所示（本文僅列出了10位專家的打分結(jié)果）。

由表1可得平均值 W_Bl=0 .34259， W_B2= 0.20694，W_B=0.20758，W_B4=0.24288 。其中，RI=0.89 ，一致性比率 CR=CI/RI 均小于0.1，通過一致性檢驗(yàn)，此準(zhǔn)則層指標(biāo)的判斷矩陣在合理范圍內(nèi)。

2.2因素層權(quán)重指標(biāo)計(jì)算

對(duì)路線長(zhǎng)度C1、路基長(zhǎng)度C2、路面長(zhǎng)度C3等因素層指標(biāo)繼續(xù)重復(fù)維度層權(quán)重的計(jì)算步驟和一致性的檢驗(yàn)，因素層指標(biāo)的單層次權(quán)重結(jié)果匯總?cè)绫?所示。

2.3驅(qū)動(dòng)因素權(quán)重總排序

將路線長(zhǎng)度C1、路基長(zhǎng)度C2、路面長(zhǎng)度C3等20項(xiàng)因素按因素層權(quán)重和其對(duì)應(yīng)的維度層指標(biāo)權(quán)重相乘得到總權(quán)重排序，結(jié)果如表3所示。

從驅(qū)動(dòng)因素綜合權(quán)重表中選取了前12個(gè)關(guān)鍵性驅(qū)動(dòng)因素，分別是：路線長(zhǎng)度、路基長(zhǎng)度、路面長(zhǎng)度、隧道長(zhǎng)度、橋涵長(zhǎng)度、互通區(qū)長(zhǎng)度、挖方量、填方量、柴油消耗量、水泥消耗量、鋼筋消耗量和碎石消耗量作為構(gòu)建PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練指標(biāo)。

3預(yù)測(cè)模型的構(gòu)建

3.1 數(shù)據(jù)來源

選取36條完結(jié)的高速公路工程，從結(jié)算文件中提取出訓(xùn)練模型所需要的12個(gè)關(guān)鍵指標(biāo)，部分樣本如表4所示，構(gòu)建高速公路建設(shè)期碳排放的PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

3.2 模型的建立

輸入層的因子為路線長(zhǎng)度、路基長(zhǎng)度、路面長(zhǎng)度、橋涵長(zhǎng)度、隧道長(zhǎng)度、互通區(qū)長(zhǎng)度、挖方量、填方量、柴油消耗量、水泥消耗量、鋼筋消耗量和碎石消耗量12個(gè)指標(biāo)，輸出層為碳排放量。利用已完結(jié)高速公路項(xiàng)目數(shù)據(jù)作為輸入層的樣本數(shù)據(jù)，預(yù)測(cè)待建高速公路碳排放數(shù)據(jù)。在本次研究設(shè)置的36例樣本中，30例作為訓(xùn)練集數(shù)據(jù)，6例作為測(cè)試集數(shù)據(jù)以驗(yàn)證擬合效果，使用MATLAB2O22a軟件進(jìn)行編程。

3.2.1BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

建立BP神經(jīng)網(wǎng)絡(luò)3層結(jié)構(gòu)，即輸入層、隱含層和輸出層。雖然增加隱含層的數(shù)量可以降低預(yù)測(cè)誤差，提高精度，但也會(huì)使網(wǎng)絡(luò)復(fù)雜化，從而增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間和出現(xiàn)“過擬合”的傾向，故本文選取單隱含層。通過增加隱含層節(jié)點(diǎn)數(shù)來獲得較低的誤差，其訓(xùn)練效果要比增加隱含層數(shù)更容易實(shí)現(xiàn)。通常，隱含層節(jié)點(diǎn)數(shù)要小于訓(xùn)練樣本數(shù)—1（本文為30—1）且大于輸人層神經(jīng)元數(shù)量（本文為12），否則網(wǎng)絡(luò)模型的系統(tǒng)誤差與訓(xùn)練樣本的特性無關(guān)而趨于零，因此，設(shè)置隱含層節(jié)點(diǎn)數(shù)為 12～30 ，如圖2所示。經(jīng)過反復(fù)試驗(yàn)，得到最佳單隱含層節(jié)點(diǎn)數(shù)為20，傳遞函數(shù)使用tansig函數(shù)，設(shè)置訓(xùn)練次數(shù)為100、學(xué)習(xí)率為0.01。

3.2.2PSO-BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)在應(yīng)用過程中初始權(quán)值和閾值是隨機(jī)選取的，容易陷入局部最優(yōu)值，從而降低擬合效果。因此，引人PSO算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，基本思想是利用PSO算法優(yōu)化的權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閥值并進(jìn)行訓(xùn)練和預(yù)測(cè)，重點(diǎn)在于尋找個(gè)體最優(yōu)和群體最優(yōu)。PSO-BP神經(jīng)網(wǎng)絡(luò)是結(jié)合粒子群優(yōu)化算法和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，形成的一種強(qiáng)大的具有全局搜索能力的智能優(yōu)化算法。在PSO-BP中，通過PSO算法更新速度和位置，優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，從而提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能和泛化能力，提高網(wǎng)絡(luò)的性能和精度。具體流程如圖3所示。

在PSO算法的每一次迭代中，粒子的速度和位置分別按照式（1）、（2）進(jìn)行更新。

v_i^t+1=w?v_i^t+c₁?r₁?（pbest_i-x_i^t）+c₂?r₂?（gbest_i-x_i^t），

x_i^?（t+1）=x_i^?（t）+v_i^?t+1，

式中： v_i^t 是粒子 i 在迭代 t 的速度，取最大速度為1.0、最小速度為 -1.0;x_i^t 是粒子 i 在迭代 t 的位置； pbest_i 是粒子 i 在歷史上找到的個(gè)體最優(yōu)位置； gbest_i 是群體在歷史上找到的全局最優(yōu)位置； 是慣性權(quán)重，控制著粒子保持當(dāng)前速度方向的能力； c₁ 和 c₂ 為學(xué)習(xí)因子，影響粒子更新速度時(shí)對(duì)個(gè)人最優(yōu)和全局最優(yōu)的重視程度，本文取 c₁= 2，c₂=2;r₁ 和 r₂ 是在[0，1]范圍內(nèi)的隨機(jī)數(shù)，引入隨機(jī)性以避免算法過早收斂。

參考文獻(xiàn)[31-33]設(shè)置PSO-BP神經(jīng)網(wǎng)絡(luò)參數(shù)。為保證模型的充分優(yōu)化，種群的迭代次數(shù)maxgen通過經(jīng)驗(yàn)和試驗(yàn)設(shè)置為50。為保證種群的多樣性和搜索能力，讓優(yōu)化生成的個(gè)體總數(shù)量與基因個(gè)數(shù)相匹配，設(shè)置種群規(guī)模sizepop為20。對(duì)于神經(jīng)網(wǎng)絡(luò)參數(shù)考慮網(wǎng)絡(luò)輸入輸出均為 0～1 ，因此設(shè)置基因的最大邊界為1.0、最小邊界為 -1.0 。PSO算法的適應(yīng)度曲線如圖4所示。

3.3 數(shù)據(jù)分析

將已劃分的樣本數(shù)據(jù)分別導(dǎo)人PSO-BP及BP神經(jīng)網(wǎng)絡(luò)模型中，2種模型的模擬結(jié)果如圖5所示。從圖5a）、b）對(duì)比中可看出，訓(xùn)練集中PSO-BP的斜率是0.99245，BP 的斜率是0.948 375，均接近于1，說明擬合效果良好。但PSO-BP 回歸方程比BP 回歸方程的斜率略大，說明在PSO-BP預(yù)測(cè)模型下，真實(shí)值與預(yù)測(cè)值的變化響應(yīng)非常接近線性關(guān)系。PSO-BP 的截距較小，表明 PSO-BP 回歸預(yù)測(cè)在低數(shù)據(jù)情況下的偏差較小，預(yù)測(cè)更準(zhǔn)確，更接近于實(shí)際情況;而BP的截距較大，表明 BP 回歸預(yù)測(cè)在低數(shù)據(jù)情況下可能存在較大偏差，對(duì)真實(shí)值與預(yù)測(cè)值的線性響應(yīng)稍弱，導(dǎo)致整體預(yù)測(cè)效果不如PSO-BP神經(jīng)網(wǎng)絡(luò)模型。

圖6和圖7為PSO-BP和BP2種算法在訓(xùn)練集和測(cè)試集中預(yù)測(cè)的誤差。從圖6中可以看出，在訓(xùn)練集預(yù)測(cè)結(jié)果中3條曲線在大部分?jǐn)?shù)據(jù)點(diǎn)上都有相似的趨勢(shì)，但PSO-BP預(yù)測(cè)值相對(duì)于BP預(yù)測(cè)值在一些數(shù)據(jù)點(diǎn)上更能準(zhǔn)確預(yù)測(cè)真實(shí)值。從圖7中可以看出，在測(cè)試集預(yù)測(cè)結(jié)果中PSO-BP預(yù)測(cè)值在多個(gè)數(shù)據(jù)點(diǎn)上表現(xiàn)較好，特別是在樣本編號(hào)為2、6的位置，它比BP預(yù)測(cè)值更接近真實(shí)值，但在樣本1、4、5的位置，PSO-BP 和BP預(yù)測(cè)值和真實(shí)值之間均存在較大的偏差，特別是樣本4中BP預(yù)測(cè)值顯著低于真實(shí)值。因此，整體來看PSO-BP預(yù)測(cè)值相對(duì)于 BP預(yù)測(cè)值在一些數(shù)據(jù)點(diǎn)上更接近真實(shí)值，表明 PSO 在優(yōu)化 BP預(yù)測(cè)模型上有一定的效果。

為對(duì)模型預(yù)測(cè)性能進(jìn)行客觀的評(píng)價(jià)和比較，本研究綜合使用 R² （決定系數(shù)）、MSE（均方誤差）、RMSE（均方根誤差）、MAE（平均絕對(duì)誤差）和MAPE（平均絕對(duì)百分比誤差）5個(gè)誤差指標(biāo)，其結(jié)果如表5所示。

通過誤差分析發(fā)現(xiàn)BP和PSO-BP模型的MAPE均小于 10% ，屬于高精度預(yù)測(cè)，所以均能作為預(yù)測(cè)模型進(jìn)行使用。但PSO-BP模型的MAPE、MAE和RMSE分別比BP模型低8.197個(gè)百分點(diǎn)、26.863萬(wàn)t和0.037萬(wàn)t，說明運(yùn)用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差更?。磺襊SO-BP模型的 R² 為0.974，BP模型的 R² 為0.890，前者更接近于1，表明預(yù)測(cè)值與實(shí)際值的擬合程度更好，預(yù)測(cè)更逼近現(xiàn)實(shí)。

4實(shí)例分析

采用生命周期法對(duì)高速公路建設(shè)期碳排放量進(jìn)行核算，明確建設(shè)期階段的劃分和邊界，對(duì)構(gòu)成高速公路建設(shè)期各階段的相關(guān)活動(dòng)數(shù)據(jù)進(jìn)行采集分析，建立各階段碳排放清單，并進(jìn)行碳排放核算。生命周期法在碳排放核算中的優(yōu)勢(shì)在于其全面性和系統(tǒng)性，能夠覆蓋產(chǎn)品或服務(wù)生命周期內(nèi)的直接和間接排放。具體實(shí)施方法包括過程分析法、投入產(chǎn)出法、質(zhì)量平衡法和實(shí)測(cè)法。本文選取秦唐、盤興、徐明、邯港4條高速公路進(jìn)行驗(yàn)證，具體碳排放指標(biāo)如表6所示，碳排放預(yù)測(cè)結(jié)果如表7所示。

通過生命周期法精確計(jì)算的秦唐、盤興、徐明和邯港高速公路建設(shè)期碳排放量分別約為43.72萬(wàn)t、208.65萬(wàn)t、186.20萬(wàn)t和172.67萬(wàn) ;PSO-BP預(yù)測(cè)的碳排放量分別為42.88萬(wàn)t、213.63萬(wàn)t、183.08萬(wàn)t和176.69萬(wàn)t，偏差依次為 1.9%.2.4%.1.7% 和 2.3% ;BP 預(yù)測(cè)的碳排放量分別為41.57萬(wàn) t，227.05 萬(wàn)t、192.24萬(wàn)t和180.60萬(wàn)t，偏差依次為 4.9%.8.8%.3.2% 和 4.5% 。通過對(duì)比，PSO-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果與實(shí)際值偏差更小，結(jié)果更精準(zhǔn)，與前文 R² 、MSE、RMSE、MAE和MAPE的誤差指標(biāo)比較結(jié)果相同，表明PSO-BP 模型的預(yù)測(cè)精度更高。

5結(jié)語(yǔ)

根據(jù)不同工程參數(shù)對(duì)高速公路建設(shè)期碳排放量的影響程度，本文基于AHP法選出12個(gè)關(guān)鍵驅(qū)動(dòng)因素，引人PSO算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，得到PSO-BP神經(jīng)網(wǎng)絡(luò)下的高速公路建設(shè)期碳排放預(yù)測(cè)模型，主要結(jié)論如下。

1）基于AHP法得出路線長(zhǎng)度、路基長(zhǎng)度、路面長(zhǎng)度、橋涵長(zhǎng)度、互通區(qū)長(zhǎng)度、挖方量、填方量、柴油消耗量、水泥消耗量、鋼筋消耗量和碎石消耗量12個(gè)指標(biāo)作為預(yù)測(cè)高速公路建設(shè)碳排放的關(guān)鍵驅(qū)動(dòng)因素，從宏觀上可體現(xiàn)大部分高速公路建設(shè)期的碳排放影響因素，也是高速公路建設(shè)過程的重要參數(shù)和主要特征。

2）結(jié)合誤差指標(biāo)對(duì)比分析，PSO-BP預(yù)測(cè)模型 R² 為0.974，BP預(yù)測(cè)模型 R² 為0.890，前者更接近于1。并且在所選4條高速公路中，PSO-BP預(yù)測(cè)結(jié)果比BP預(yù)測(cè)結(jié)果偏差依次小3.0、6.4、1.5和2.2個(gè)百分點(diǎn)，證明PSO-BP比BP與真實(shí)值之間的吻合度高。

3）PSO-BP預(yù)測(cè)結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，PSO算法通過優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，提高了精度，在高速公路設(shè)計(jì)規(guī)劃階段即可預(yù)測(cè)到建設(shè)期碳排放，便于路線設(shè)計(jì)和布局選擇。

本研究?jī)H從文獻(xiàn)中分析出20個(gè)高速公路建設(shè)期碳排放驅(qū)動(dòng)因素，未研究其他因素和模型的預(yù)測(cè)結(jié)果。未來擬引人其他預(yù)測(cè)指標(biāo)（收費(fèi)站數(shù)量、用電量等）和預(yù)測(cè)模型（如遺傳算法、模擬退火等）對(duì)高速公路建設(shè)期碳排放進(jìn)行研究。

參考文獻(xiàn)/References：

[1]王春紅，張玉斌，方肖立.基于區(qū)域差異性視角的高速公路建設(shè)期碳排放對(duì)比分析[J].價(jià)值工程，2024，43（18）：40-42.WANG Chunhong，ZHANG Yubin，F(xiàn)ANG Xiaoli.Comparativeanalysisofcarbon emission during expresswayconstructionbasedonregional difference[J].Value Engineering，2024，43（18）：40-42.

[2]代洪娜，曾煜磊，施慶利，等.碳達(dá)峰與碳中和背景下省域高速公路網(wǎng)碳排放精細(xì)化測(cè)算方法[J].華南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，55（4）：1-13.DAIHongna，ZENGYulei，SHQingli，etal.TherefinedcarbonemisionmeasurementmethodofprovincialhighwaynetworkinthecontextofcarbonpeakingandcarbonneutraityJ]JouralofSouthChinaNoralUniversity（NaturalScienceEdition），223，55（4）：-13.

[3]蘇征宇，張帆，韋逸清，等.公路隧道建設(shè)碳排放量化分析計(jì)算及數(shù)字化[J].現(xiàn)代隧道技術(shù)，2022，59（supl）：115-120.SU Zhengyu，ZHANGFan，WEIYqingetal.Caleulationanddigitizationofcarbonemissonanalysis forroadtunnelconstructi[J].Modern Tunnelling Technology，2022，59（supl）：115-120.

[4]COLLINGSDExampesofcarbodioxideemissonsdatainthecireulareconmy：HighwaytransportJ].ProceingsoftheIstiutionof Civil Engineers-Civil Engineering，2023，176（6）：15-19.

[5]喬蘭，鄧乃夫，李慶文，等.公路工程建設(shè)階段全生命周期碳排放智能估算方法[J].工程科學(xué)學(xué)報(bào)，2023，45（12）：2173-2186.QIAOLan，DENGNaifu，Qingen，etalIntellgentassessmentmetodoflifeyclearbonemissonuringtheighwaycstuctophase[J].Chinese Journal of Engineering，2023，45（12）：2173-2186.

[6]SHIChunxueFENGXiwen.Carbonemisionfactordecomposionandcarboneakpredictionbasedonultiobectivedcisioadinformation fusionprocesingJ].EURASIPJournalonAdvanesinSignalProcesing，2021.DOI：10.1186/s13634-02-00811-w.

［7]林宇亮，熊錦江，邢浩，等.基于XGBost-SVR組合模型的高速公路建造碳排放量預(yù)測(cè)方法研究[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，55（7） ：2588-2599.LINYuliang，XIONGJijiang，XINGHaoetal.ResearchoncarbonemissionpredictionmethodofexpresswayconstructionbasedonXGBoost-SVRcombined model[J].JournalofCentralSouth University（Scienceand Technology），2O24，55（7）：588-2599.

[8]王永利，李頤雯，王歡，等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的河北省碳排放預(yù)測(cè)[J].生態(tài)經(jīng)濟(jì)，2024，40（6）：30-37.WANGYongli，IYiwenWANGHuan，etal.Carbonemision predictionof Hebei provincebasedonimproved BPneuralnetwork[J].Ecological Economy，2024，40（6）：30-37.

[9]唐曉靈，劉嘉敏.基于PSO-LSTM網(wǎng)絡(luò)模型的建筑碳排放峰值預(yù)測(cè)[J].科技管理研究，2023，43（1）：191-198.TANGXiaoling，LIUJiamin.ForecastofpeakcarbonemissionsofbuildingsbasedonPSO-LSTMmodelJ].ScienceandTechologyManagement Research，2023，43（1）：191-198.

[10]BANERJEEPLAHAR，DKSHITMK，etal.AstudyoteperformanceofvariouspredictivemodelsasedonartificialneuralnetworkforbackwardmetalfloworingrocsJ.IteratialJoalonInteractieDesignandanufacturinge）028）1150.

[1]PUXingfan，YAOJian，ZHENGRongue.ForecastofenergyconsumptionandcarbonemisionsinChina’sbuildingsectorto6].Energies，2022.DOI：10.3390/en15144950.

[12]史笑凡，楊春風(fēng)，王可意.基于支持向量機(jī)和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的路基邊坡穩(wěn)定性研究[J].公路交通科技，2019，36（1）：31-37.SHIXiaofan，YANGChunfeng，WANG Keyi.Studyonstabiltyofroadbed slopebasedonSVMandimprovedBP neuralnetwork[J].Journal of Highway and Transportation Research and Development，2ol9，36（1）：31-37.

[13]田新瑞.基于碳排放計(jì)算模型的某公路項(xiàng)目建設(shè)期的碳排放源分析[J].交通世界，2024（16）：8-10.

[14]WUQixin，HEun，Conging，etalarboesionseariopredictiofgaonsuctionprjectsFrotsiEironmental Science，2024.DOI：10.3389/fenvs.2023.1302220.

[15]王欣，郭婧涵，耿雅嫻，等.基于GA/PSO-BP神經(jīng)網(wǎng)絡(luò)的石家莊VOCs環(huán)境濃度預(yù)測(cè)模型研究[J].安全與環(huán)境學(xué)報(bào)，2024，24（4）：1560-1568.WANG Xin，GUOJinghan，GENGYaxian，etal.PredictionmodelofVOCs in ShjizhuangbasedonGA/PSO-BPneuralnetwork[J].Journal of Safety and Environment，2024，24（4）：1560-1568.

[16]楊俊祺，范曉軍，趙躍華，等.基于 PSO-BP神經(jīng)網(wǎng)絡(luò)的山西省碳排放預(yù)測(cè)[J].環(huán)境工程技術(shù)學(xué)報(bào)，2023，13（6）：2016-2024.YANG JunqiFANXiaojun，ZHAOYuehua，etal.Predictioofcarbonemisions inShanxiProvicebasedonPSO-BPneuralnetworkJ].Journal of Environmental Engineering Technology，2023，13（6）：2016-2024.

[17］徐一劍，李潭峰，徐麗麗.國(guó)土空間總體規(guī)劃溫室氣體核算模型[J].氣候變化研究進(jìn)展，2022，18（3）：355-365.XUYijia，LInfengXULilreeousesiventorymodelfteitorialspatialasterplas.liatengeResear，18（3）：355-365.

[18]公路工程預(yù)算定額：JTG/T3832—2018[S].

[19］吳翼虎.基于層次分析法對(duì)山區(qū)高速公路路線設(shè)計(jì)方案評(píng)價(jià)模型的構(gòu)建與研究[J].公路，2021，66（4）：56-61.

[20]薛志佳，李良辰，晏長(zhǎng)根，等.公路工程濕軟黃土路基施工能耗和碳排放評(píng)估[J].大連理工大學(xué)學(xué)報(bào)，2021，61（5）：;522-530.XUEZhijia，ILianghen，YAChanggenetal.Evalationofeergycosumptionandarbonemissonsforconstructionoftadsoftloess subgrade in highway engineering[J].Journal of Dalian Universityof Technology，2o21，61（5）：522-530.

[21]羅文江.隧道施工安全技術(shù)發(fā)展趨勢(shì)與應(yīng)用——評(píng)《近接隧道施工安全控制關(guān)鍵技術(shù)》[J].安全與環(huán)境學(xué)報(bào)，2024，24（4）：1644.

[22]王海濤，欒治軍，黃明利，等.基于碳排放評(píng)價(jià)的橋梁路基建設(shè)方案比選優(yōu)化研究[J].公路，2023，68（4）：275-281.

[23]曹興，陶坤，余鵬，等.黃土山區(qū)高速公路路基方案優(yōu)化及常見病害探討[J].公路，2023，68（7）：290-296.

[24]吳君民，巫歡.高速公路綠化全生命周期成本及收益分析[J].公路，2019，64（12）：271-277.

[25]ZHUYiiAHngqin.Useofodieselionroadobilemachineriesforlowcarbonconstruction：Policyevieandifeclealysis[J].Journal of Cleaner Production，2023.DOI：10.1016/j. jclepro.2023.138543.

[26]SOUSA VBOGASJAEALSetalIdustrialproductiofeycledcemnt：Energyconsumptiandcabondoxideesiosta-tion[J].Environmental Science and Pollution Research International，2023，30（4）：8778-8789.

[27］宋曉聰，杜帥，鄧陳寧，等.鋼鐵行業(yè)生命周期碳排放核算及減排潛力評(píng)估[J].環(huán)境科學(xué)，2023，44（12）：6630-6642.SONGXiaocon，UuaiENGChengtalLifecclecarbonmissionaccoutingndissiouctiopotentialtfsteel industry[J].Environmental Science，2023，44（12）：6630-6642.

[28]喪永濤.公路級(jí)配碎石性能分析及碎石底基層施工技術(shù)研究[J].交通世界，2023（27）：49-51.

[29]ZHANG XiufengZENGYun，F(xiàn)ENGYongnian，etal.Carbonemisionsanalysisofproducing modifiedasphaltwithaturalasphalt].GreenProcessing and Synthesis，2023.DOI：10.1515/gps-2022-8146.

[30]LEIBinYUinjieEZi，etalCarbonemisivaluatifedineggregteoceteoifeesst.Sustainability，2022.DOI;10.3390/su142114448.

[31]馬世紀(jì)，喬蘭，鄧乃夫，等.公路梁橋支座脫空度預(yù)測(cè)模型及優(yōu)化算法應(yīng)用研究[J].振動(dòng)與沖擊，2024，43（15）：218-227.MAShiji，QIAOLan，DENGNaifu，etalPredictionmodelandoptiizationalgorithmaplicationofsupportvoiddgreeforhghwayeambridges[J].Journalof Vibrationand Shock，2024，43（15）：218-227.

[32]劉浩民，楊洪才，劉戰(zhàn)，等.基于粒子群優(yōu)化算法的電弧增材制造焊道尺寸反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J].機(jī)械工程材料，2024，48（2）：97-102.LIU Haomin，YANG Hongcai，LIUZhan，etal.Backpropagationneuralnetwork predictionmodelofarcaditivemanufacturingweldsizebase on particle swarm optimization algorithm[J].Materials for Mechanical Enginering，2024，48（2）：97-102.

[33］付銳，肖東升.一種基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)技術(shù)的震后壓埋人員手機(jī)定位方法[J].世界地震工程，2024，40（1）：206-217.FURui，XIAO DongshengMobilephonelocationmethodforburied personnelafterearthquakebasedonparticle swarmoptimizationBPneural network technology[J].World Earthquake Engineering，2024，40（1）：206-217.