研究了一个信息干预方法，使用陪同父母 / 监护人的方式，使学生采用接触污染物最少的最干净的通勤路线。通过实施，大量参与者表示，介绍的替代路线带来了更好的效益，使他们更换了路线。

May, 2020

该研究使用基于采样的方法，通过设计污染感知的流量调度策略，实现在保证短的通行时间和充分利用道路容量的同时，避免区域污染，有效减少城市空气污染的问题。使用 SUMO 交通模拟器在世界各大城市大幅度减少了污染区域，证明了该方法的可行性。

Feb, 2023

该研究报告介绍了一种名为 EcoLight 的奖励塑造方案，用于强化学习算法中，既可以减少二氧化碳排放，又可以在诸如旅行时间之类的指标上获得具有竞争力的结果。该研究比较了采用表格型 Q 学习、DQN、SARSA 和 A2C 算法的性能，使用的指标包括旅行时间、二氧化碳排放、等待时间和停车时间，考虑了多种道路使用者（卡车、公交车、汽车）和不同污染水平的多个场景。

Oct, 2023

为了解为什么城市中心和郊区居民的出行行为不同，以可持续的城市规划为主旨。特别是在城市迅速增长的背景下，识别能够减少出行需求和 CO2 排放的住房位置对于缓解气候变化至关重要。尽管建筑环境起着重要作用，但对于出行行为的精确影响却被居民自我选择所掩盖。为了解决这个问题，我们提出了一种双重机器学习方法，通过控制居民自我选择，可以获得每个社区建筑环境对出行相关 CO2 排放的无偏空间显性估计。我们还研究了社会人口统计特征和与出行相关的态度如何调节这种影响，并对其在建筑环境的 5 个维度上进行了分解。基于柏林的实地案例研究和 3.2 万名居民的出行日记，我们发现建筑环境导致了柏林市中心和郊区社区之间家庭出行 CO2 排放几乎相差两倍。为了突出城市气候减缓的实际重要性，我们评估了 64,000 套新住宅单元的当前计划对总体诱导交通 CO2 排放的影响。我们的研究结果强调了在建筑发展方面空间差异化紧凑型发展的重要性，以减少运输领域的碳排放。

Dec, 2023

本研究利用多种模型，探索基于用户偏好和行程特征（如成本、时间、出行目的和距离）的最佳交通方式，在实际生活中得到的数据支持下，研究发现使用梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出，而在对数模型中可以看出：（1）交通成本增加会降低各种交通方式的效用；（2）对于地铁或多模式选项（包含地铁）人们对于出行距离有较高的容忍度，说明地铁线路可能是大城市最佳候选方案。

Oct, 2019

本文提出一种基于强化学习的环保行车控制策略，通过对不同交通场景的模拟比较，在全自动驾驶交通方式下可将燃油消耗降低 18%, CO2 排放降低 25%，同时提高 20% 的车速，并且即使只有 25% 的自动驾驶汽车，也能带来至少 50% 的燃油和排放降低效益

Apr, 2022

本文研究气候变化导致的人类适应问题，以日常出行（工作上下班）为例，通过设计简易互动模拟器，探讨人类认知偏差在出行方式选择中的作用，报告了三个模拟器及其应用，旨在引发人们对未来出行方式的思考，目前正在进行用户调查以评估其影响。

Feb, 2023

本研究利用人工智能技术，提高先前繁琐的 CO2 排放估算方法，进行算法和模型比较，并利用机器学习、深度学习和集成学习方法预测全球温度上升，以此为基础制定政策，如采用电动汽车减少汽车排放。

Nov, 2022

通过深度学习运输模拟器，我们能够降低计算量并保持与现有数值模型相当的准确度，因此在处理极端空气质量事件方面具备潜在的操作用途。我们还探讨了该模型在给定一组物种的情况下，如何保持模拟运输的物理属性。

Feb, 2024

本研究提供了对 2019 年 1 月至 2023 年 2 月的欧洲国家（EU27＆英国，意大利，德国，西班牙）和印度的电力，工业，陆上交通，国内航空和国际航空等行业每日的二氧化碳排放的全面时间序列分析。研究聚焦于确定主要的贡献者，并利用 LSTM 模型进行准确的预测，为政策决策，缓解策略和应对气候变化提供洞察。

Jul, 2023