Anwendung von maschinellem Lernen im Klimawandel auf den Verkehrssektor – Literaturüberblick und Datenvorbereitung

In diesem Kapitel wurde versucht, verschiedene Veröffentlichungen aus verschiedenen Perspektiven zu überprüfen, zum Beispiel, wie Transport und Klimawandel miteinander verknüpft sind. Verschiedene Forschungsarbeiten, die im Verkehrssektor mithilfe von maschinellem Lernen und tiefen Lernalgorithmen durchgeführt wurden, wurden überprüft. Aus der Literatur geht hervor, dass Länder wie die USA, das Vereinigte Königreich, Kanada und Frankreich an vorderster Front arbeiten, um das durch den Verkehrssektor verursachte Klimawandelproblem zu lösen. Die häufigsten von den Autoren verwendeten maschinellen Lernalgorithmen sind k-Nearest Neighbor (KNN), Entscheidungsbaum, logistische Regression usw. Darüber hinaus werden mit Fortschritt der Technologie tiefe Lernmethoden, Natural Language Processing (NLP), künstliche neuronale Netzwerke (ANN), Long Short-Term Memory (LSTM) und viele andere Algorithmen verwendet, um das Problem des Klimawandels zu lösen und das Netto-Null-Ziel zu erreichen. In einem späteren Abschnitt des Kapitels wird ein Datensatz für die identifizierte Problemstellung erstellt. Schließlich gibt es eine Diskussion über das Material und die Methoden, die für die explorative Datenanalyse und den Aufbau eines Modells verwendet werden.